Sintesi Tecnica: Disegni di Regression Discontinuity "Donut"

1. Definizione del Problema

I disegni di Regression Discontinuity (RD) rappresentano un quadro standard per l'identificazione di effetti causali da dati osservazionali. Tuttavia, i ricercatori empirici incontrano frequentemente preoccupazioni riguardanti la validità della variabile di esecuzione vicino al punto di cut-off, come manipolazione, errore di misurazione o raggruppamento dei dati (es. arrotondamenti a valori focali). Per affrontare queste problematiche, i ricercatori spesso impiegano disegni RD "donut" (a ciambella), che escludono le osservazioni all'interno di un vicinato (il "buco della ciambella") attorno alla soglia di trattamento.

Nonostante il loro uso diffuso, l'implementazione dei disegni RD donut è rimasta in gran parte euristica. Esiste una limitata guida formale su come il trimming delle osservazioni influenzi il bias, la varianza e l'inferenza statistica dello stimatore. Nello specifico, rimane poco chiaro:

• Come l'esclusione dei dati vicino al cut-off alteri il compromesso tra bias e varianza.
• Se gli errori standard e gli intervalli di confidenza riportati dai software convenzionali rimangano validi.
• Come testare formalmente se la differenza tra uno stimatore RD convenzionale e uno stimatore RD donut sia statisticamente significativa o dovuta meramente alla variazione campionaria.
• Come interpretare l'entità delle differenze tra questi due stimatori nel contesto dei test di specificazione.

2. Metodologia e Quadro Teorico

Gli autori analizzano i disegni RD donut all'interno del framework della stima lineare locale. Considerano un disegno RD sharp dove la variabile di esecuzione $X_i$ determina il trattamento $T_i = \mathbb{1}\{X_i \geq 0\}$.

2.1. Lo Stimatore Donut

Lo stimatore RD donut, $\hat{\tau}(h, d)$, è definito come una regressione lineare locale che esclude le osservazioni dove $|X_i| < d$, dove $d$ è la dimensione del donut e $h$ è la bandwidth (larghezza di banda) ($d < h$). Questo stimatore annida lo stimatore RD convenzionale come un caso speciale in cui $d=0$.

2.2. Estimandi e Identificazione

Il paper distingue tra due potenziali obiettivi dell'uso di un disegno donut:

1. Stima Causale: Il ricercatore ipotizza una funzione ipotetica $\mu^*(x)$ che coincide con la funzione di aspettativa condizionata osservata $\mu(x)$ all'esterno del donut ($|x| \geq d$) ma può differire all'interno. Il parametro target è il salto di $\mu^*(x)$ in zero, $\tau^* = \mu^*_+ - \mu^*_-$.
2. Test di Diagnostica/Specificazione: Il ricercatore testa l'ipotesi nulla che i dati osservati all'interno del donut siano compatibili con gli assunti di regolarità (smoothness) che governano i dati all'esterno del donut. Sotto l'ipotesi nulla, $\mu(x) = \mu^*(x)$ per ogni $x$, implicando $\tau = \tau^*$.

2.3. Regimi Asintotici

L'analisi considera due regimi asintotici riguardanti la dimensione del donut $d$ rispetto alla bandwidth $h$:

• Asintotica Small Donut: $d = ch$ dove $c \in [0, 1)$ è fissato e $h \to 0$. Questo modella scenari in cui il vicinato escluso è piccolo rispetto alla finestra di stima.
• Asintotica Large Donut: $d$ è fissato e $h \to d$. Questo modella scenari in cui la finestra di stima è solo leggermente più grande del gap escluso.

2.4. Strumenti Tecnici Chiave

Gli autori derivano approssimazioni asintotiche per il bias e la varianza dello stimatore donut. Dimostrano che lo stimatore donut si comporta come un estimatore convenzionale con una funzione kernel modificata $K_c(u) = K(u)\mathbb{1}\{|u| > c\}$. Di conseguenza, le proprietà asintotiche dipendono da nuovi costanti del kernel $B_K(c)$ e $S_K(c)$, che sono integrali sull'intervallo troncato $[c, 1]$.

Per l'inferenza, il paper utilizza intervalli di confidenza "bias-aware" (Armstrong e Kolesár, 2018; Kolesár e Rothe, 2018). Questi tengono conto esplicitamente del peggior caso di bias consentito da un limite di regolarità $M$, piuttosto che fare affidamento su correzioni di bias di ordine superiore che possono essere sensibili al trimming.

3. Contributi Chiave e Risultati

3.1. Stima Puntuale: Compromessi tra Bias e Varianza

Il paper stabilisce che il trimming donut introduce un ulteriore sostanziale incertezza rispetto agli stimatori RD convenzionali.

• Aumento di Bias e Varianza: Sotto l'asintotica small donut, escludere le osservazioni entro il 10% della bandwidth ($c=0.1$) aumenta il bias asintotico del 41%-63% e la varianza del 53%-61%, a seconda della funzione kernel (Uniforme, Triangolare o Epanechnikov).
• Bandwidth Ottimale: Gli autori caratterizzano la bandwidth ottimale per l'errore quadratico medio $h_{MSE}(d)$. Mostrano che, per i kernel standard, la bandwidth ottimale è monotonicamente crescente rispetto alla dimensione del donut $d$.

3.2. Inferenza: Validità degli Intervalli Bias-Aware

• Robustezza dei CI Bias-Aware: Il paper dimostra che gli intervalli di confidenza bias-aware rimangono asintoticamente validi per i disegni RD donut sia sotto l'asintotica small donut che sotto quella large donut, senza richiedere aggiustamenti speciali.
• Lunghezza dell'Intervallo: Sebbene validi, la presenza di un donut amplia sostanzialmente questi intervoli. Per $c=0.1$, la lunghezza asintotica dell'intervallo di confidenza aumenta del 26%-33% rispetto al caso convenzionale. Questo aumento è guidato principalmente dall'aumento dell'errore standard, sebbene anche la funzione del valore critico contribuisca.
• Robust Bias Correction (RBC): Al contrario, il paper nota che gli intervalli di confidenza RBC (Calonico et al., 2014) mantengono la copertura corretta solo sotto l'asintotica small donut e soffrono di un'inflazione della lunghezza ancora maggiore (60%-66% per $c=0.1$) a causa della sensibilità dei polinomi di ordine superiore al trimming.

3.3. Test di Specificazione

Gli autori sviluppano test statistici formali per confrontare gli stimatori convenzionali e donut, affrontando l'alta correlazione tra di essi.

• Test 1 ($\Delta$): Confronta lo stimatore donut $\hat{\tau}(h, d)$ con lo stimatore convenzionale $\hat{\tau}(h, 0)$. Il test statistico tiene conto della covarianza tra i due stimatori.
• Test 2 ($\Gamma$): Confronta lo stimatore donut $\hat{\tau}(h, d)$ con uno stimatore "within-donut" $\hat{\tau}(d, 0)$ (utilizzando solo i dati all'interno del buco). Questo approccio utilizza dati non sovrapposti, risultando in stimatori statisticamente indipendenti.
• Proprietà di Potenza: L'analisi teorica e le simulazioni mostrano che il test $\Gamma$ possiede generalmente proprietà di potenza locale superiori rispetto al test $\Delta$ contro una classe di alternative locali plausibili in cui l'aspettativa condizionata si comporta diversamente all'interno del donut.

3.4. Estensioni a Fuzzy RD

Il framework è esteso ai disegni fuzzy RD.

• Strong First Stage: Sotto l'asintotica small donut con un primo stadio forte, il fuzzy donut estimator è asintoticamente equivalente a uno stimatore sharp donut applicato a una variabile outcome ausiliaria. L'inferenza bias-aware standard si applica.
• Weak First Stage: In casi di identificazione debole o donut grandi, la stima puntuale è generalmente inconsistente. Gli autori raccomandano l'uso di set di confidenza di tipo Anderson–Rubin e di condurre test di specificazione separati per il primo stadio e per la forma ridotta, aggiustando per i test multipli tramite la correzione di Bonferroni.

4. Illustrazioni Empiriche

Il paper illustra i metodi con due applicazioni:

1. Contratti degli Insegnanti (Pakistan): Revisitando Bau e Das (2020), gli autori trovano che il trimming donut (escludendo un periodo di assunzioni ridotto) cambia drasticamente la stima del primo stadio delle probabilità di assegnazione del contratto. I test di specificazione rifiutano fortemente il disegno fuzzy RD convenzionale, suggerendo che i risultati siano guidati dal periodo escluso.
2. Basso Peso alla Nascita (USA): Revisitando Almond et al. (2010) e Barreca et al. (2011) riguardo alla mortalità infantile alla soglia di 1.500g. Lo studio mostra che escludere le osservazioni vicino al cut-off (a causa di arrotondamenti/raggruppamenti) riduce l'effetto stimato dell'intervento medico dallo 0,95% allo 0,16%. I test di specificazione indicano che la differenza tra lo stimatore convenzionale e quello donut è statisticamente significativa, supportando le preoccupazioni circa le irregolarità dei dati alla soglia.

5. Significato e Rivendicazioni

Il paper fornisce la prima base teorica formale per i disegni RD donut, spostando la pratica dall'applicazione euristica all'inferenza statistica rigorosa.

• Chiarificazione dei Compromessi: Quantifica il costo del trimming donut, mostrando che, sebbene possa affrontare le minacce all'identificazione (come la manipolazione), ciò avviene al prezzo di un aumento significativo di bias e varianza.
• Inferenza Valida: Fornisce un toolkit per l'inferenza statistica valida (intervalli di confidenza e test di ipotesi) che tiene correttamente conto dell'incertezza introdotta dal trimming.
• Utilità Diagnostica: Formalizza l'uso dei disegni donut come strumenti diagnostici, offrendo un modo rigoroso per testare se i dati vicino al cut-off si comportano in modo coerente con il resto del campione.

Gli autori concludono che, sebbene il trimming donut sia una strategia utile per affrontare specifiche preoccupazioni sui dati, i ricercatori devono riconoscere il sostanziale aumento dell'incertezza. Suggeriscono che la scelta della dimensione del donut $d$ debba basarsi sulla conoscenza del settore piuttosto che su una selezione puramente guidata dai dati, specialmente quando l'obiettivo è una valida inferenza causale. In contesti di test di specificazione, tuttavia, esplorare una gamma di valori di $d$ è fattibile e informativo.