📈 economics

rd2d: Causal Inference in Boundary Discontinuity Designs

Questo articolo presenta \pkg{rd2d}, un pacchetto software completo per R, Python e Stata che implementa la stima e l'inferenza polinomiale locale per disegni di discontinuità al confine, offrendo funzionalità come la selezione automatica della banda, la correzione robusta del bias e l'inferenza robusta ai cluster, le quali sono illustrate attraverso un'applicazione empirica alle Opportunity Zones.

Autori originali: Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

Pubblicato 2026-05-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di capire se una nuova politica aiuta davvero le persone. Nel mondo della statistica, i ricercatori utilizzano spesso un espediente astuto chiamato disegno a "discontinuità di regressione" (RD). Pensa a questo come a un bordo di scogliera.

In un disegno RD standard, immagina una singola linea su una mappa. Se vivi appena a sinistra della linea, ricevi una borsa di studio (Trattamento). Se vivi appena a destra, non la ricevi (Controllo). Poiché le persone che vivono proprio accanto alla linea sono quasi identiche in ogni aspetto, tranne che dal lato della linea su cui ricadono, puoi confrontarle per vedere se la borsa di studio funziona davvero.

Il Problema: Il Mondo è Bidimensionale, Non Monodimensionale
Il documento rd2d: Causal Inference in Boundary Discontinuity Designs evidenzia che la vita reale non è una singola linea; è un'intera mappa. A volte, l'idoneità a un programma dipende da due fattori contemporaneamente.

Ad esempio, per qualificarsi a una "Zona di Opportunità" (un vantaggio fiscale per le aree povere), un quartiere potrebbe dover essere:

Povero abbastanza (Basso Reddito), E
Avere un tasso di povertà sufficientemente alto.

Ciò crea un confine che ha la forma di una "L" sulla mappa, non una linea retta. Questo è chiamato disegno a Discontinuità di Confine (BD). La sfida è: come si confrontano i quartieri che si trovano proprio accanto a questa strana linea bidimensionale a forma di "L"?

La Soluzione: Il Software rd2d
Gli autori (Cattaneo, Titiunik e Yu) hanno creato un nuovo strumento software chiamato rd2d (disponibile per R, Python e Stata) per risolvere questo rompicapo matematico. Offrono due modi principali per osservare i dati, come due diversi paia di occhiali:

1. Gli Occhiali della "Posizione" (L'Approccio Diretto)

Questo metodo osserva la mappa esattamente com'è. Tratta il punteggio di povertà e il punteggio di reddito del quartiere come due coordinate separate (come Latitudine e Longitudine).

Come funziona: Disegna un piccolo cerchio attorno a ogni punto su quel confine a forma di "L" e confronta le persone all'interno del cerchio sul lato "Trattamento" con quelle sul lato "Controllo".
Perché è buono: Utilizza tutte le informazioni disponibili. È come guardare una foto ad alta risoluzione in cui si possono vedere ogni dettaglio del terreno.
Il Contro: È computazionalmente pesante perché deve eseguire calcoli complessi in due dimensioni contemporaneamente.

2. Gli Occhiali della "Distanza" (L'Approccio Semplificato)

Questo metodo semplifica la mappa. Invece di guardare due punteggi, chiede: "Quanto dista questo quartiere dalla linea di confine?"

Come funziona: Converte la mappa 2D in una singola linea. Se sei a 1 miglio all'interno della zona "Trattamento", il tuo punteggio è +1. Se sei a 1 miglio all'esterno, il tuo punteggio è -1.
Perché è buono: Trasforma un complesso problema 2D in un semplice problema 1D (come il bordo di scogliera originale). È più facile da calcolare e più facile da spiegare.
Il Contro: Perde alcuni dettagli. Se la linea di confine ha un angolo acuto (una "piega"), questo metodo potrebbe confondersi, proprio come un GPS che cerca di guidare un'auto attorno a una curva stretta utilizzando solo una mappa stradale rettilinea.

Cosa Fa Effettivamente il Software
Il pacchetto rd2d non si limita a disegnare immagini; esegue un pesante lavoro statistico:

Sintonizzazione Automatica: Decide automaticamente quanto grande deve essere una "lente d'ingrandimento" (bandwidth). Se la lente è troppo piccola, l'immagine è granulosa (troppo rumore). Se è troppo grande, si sfocano i dettagli. Il software trova la dimensione perfetta.
Fuzzy vs Sharp: A volte, attraversare la linea garantisce che si riceva il trattamento (Sharp). Altre volte, attraversare la linea semplicemente aumenta le probabilità di riceverlo (Fuzzy). Il software gestisce entrambi i casi.
- Analogia: Un disegno "Sharp" è come un distributore automatico: inserisci la moneta, ottieni la bibita. Un disegno "Fuzzy" è come una lotteria: comprare un biglietto aumenta le tue probabilità, ma non garantisce una vittoria.
La Prova su Strada delle "Zone di Opportunità": Gli autori hanno testato il loro software su un esempio reale: le Zone di Opportunità.
- L'Impostazione: Hanno esaminato se la designazione come Zona di Opportunità abbia effettivamente creato posti di lavoro.
- Il Risultato: Hanno scoperto che l'idoneità ha effettivamente aumentato fortemente la probabilità di ottenere la designazione (la "Prima Fase" ha funzionato). Tuttavia, osservando la crescita effettiva dell'occupazione, il software non ha trovato alcuna evidenza significativa che le zone abbiano creato posti di lavoro nei primi anni. L'effetto era troppo piccolo per essere distinto dal rumore casuale.
- Il Confronto: Hanno eseguito l'analisi utilizzando sia il metodo "Posizione" che quello "Distanza". Entrambi i metodi hanno concordato: la politica ha funzionato per ottenere la designazione, ma i risultati sulla crescita iniziale dell'occupazione sono stati inconcludenti.

Perché Questo È Importante
Prima di questo documento, i ricercatori dovevano inventare i propri modi, spesso incoerenti, per gestire questi confini bidimensionali. Alcuni ignoravano semplicemente uno dei punteggi; altri utilizzavano approssimazioni disordinate.

Il pacchetto rd2d fornisce un kit di strumenti standardizzato e rigoroso. Permette ai ricercatori di:

Mappare l'esatto "Effetto Medio del Trattamento al Confine" (BATEC) — essenzialmente, una mappa che mostra dove la politica funziona e dove no.
Riassumere quella mappa in un singolo numero (l'effetto medio) o trovare lo scenario "migliore" (l'effetto più grande).
Fare tutto questo con intervalli di confidenza matematicamente provati, così sappiamo se i risultati sono reali o solo fortuna.

In Sintesi
Questo documento introduce un nuovo strumento versatile per misurare la relazione causa-effetto quando le regole per ottenere un trattamento dipendono da due fattori contemporaneamente. Offre due modi per osservare i dati (mappatura 2D diretta o distanza 1D semplificata), fornisce strumenti automatici per gestire la matematica ed è stato testato con successo sulle Zone di Opportunità, rivelando che, sebbene fosse facile ottenere le zone, il loro impatto iniziale sull'occupazione era difficile da dimostrare.

Riepilogo Tecnico: rd2d: Inferenza Causale nei Disegni di Discontinuità al Confine

Enunciato del Problema

I disegni di Regressione a Discontinuità (RD) sono uno strumento standard per l'inferenza causale, che tipicamente si basano su un punteggio scalare e un'unica soglia. Tuttavia, molti contesti empirici coinvolgono l'assegnazione del trattamento determinata da un punteggio multidimensionale rispetto a un confine unidimensionale. Questi disegni di Discontinuità al Confine (BD), noti anche come disegni RD multi-punteggio, includono disegni RD geografici e regole di ammissibilità basate su più soglie (ad esempio, tasso di povertà e reddito mediano).

Mentre la teoria classica della RD scalare è ben consolidata, i disegni BD hanno storicamente mancato di un trattamento metodologico sistematico. Le applicazioni empiriche spesso impiegano riduzioni ad hoc del problema del confine senza linee guida formali su:

Quale parametro causale viene stimato.
Come riassumere l'eterogeneità dell'effetto del trattamento lungo il confine.
Quando l'inferenza è valida uniformemente su più posizioni del confine.

Gli approcci esistenti riducono spesso il punteggio bivariato a una distanza firmata univariata, ma la validità di tale riduzione dipende fortemente dalla geometria del confine (ad esempio, angoli o irregolarità), che può introdurre distorsioni anche se le aspettative condizionali sottostanti sono lisce.

Metodologia

Il documento introduce rd2d, un pacchetto software per R, Python e Stata che implementa recenti sviluppi teorici nei disegni BD. La metodologia si fonda su due approcci principali:

1. Approccio Basato sulla Posizione

Questo approccio utilizza direttamente il punteggio bivariato $X_i = (X_{1i}, X_{2i})^\top$ .

Stima: Adatta regressioni polinomiali locali su entrambi i lati del confine $B$ utilizzando una rappresentazione di regressione interagita con il trattamento. Ciò consente la stima della Curva dell'Effetto Medio del Trattamento al Confine (BATEC), $\tau(x)$ , che cattura gli effetti locali del trattamento in ogni punto $x$ sul confine.
Inferenza: Impiega un'inferenza robusta corretta per la distorsione (RBC), estendendo il lavoro di Calonico et al. (2014, 2018, 2020, 2022) agli stimatori indicizzati dal confine. Ciò include intervalli di confidenza puntuali e bande di confidenza uniformi lungo il confine.
Aggregazione: Il framework supporta riassunti scalari della BATEC, in particolare l'Effetto Medio del Trattamento al Confine Ponderato (WBATE) e il Maggiore Effetto Medio del Trattamento al Confine (LBATE).
Disegni Fuzzy: Per contesti con adesione imperfetta al trattamento, il pacchetto stima la forma ridotta (ITT), il primo stadio (FS) e la BATEC fuzzy (rapporto di Wald), insieme alle rispettive bande uniformi e riassunti aggregati.

2. Approccio Basato sulla Distanza

Questo approccio sostituisce il punteggio bivariato con una distanza firmata scalare verso ogni punto sul confine.

Stima: Tratta il problema come un disegno RD univariato in ogni punto del confine.
Validità: I risultati teorici (Cattaneo et al., 2026b) chiariscono che i metodi basati sulla distanza recuperano gli stessi target causali dei metodi basati sulla posizione solo sotto specifiche condizioni geometriche. Se il confine presenta angoli o irregolarità, l'oggetto di stima basato sulla distanza può differire dalla vera BATEC a causa della media sui livelli della funzione di distanza.
Implementazione: Il pacchetto consente agli utenti di specificare le posizioni note degli angoli o di trattarle come sconosciute per adeguare di conseguenza la selezione della banda e gli ordini di correzione della distorsione.

Caratteristiche Chiave di Implementazione

Adattamento Congiunto vs. Separato: Il metodo predefinito fitmethod = "joint" utilizza una regressione interagita con il trattamento, fondamentale per l'inferenza robusta ai cluster quando i cluster (ad esempio, distretti scolastici) si estendono su entrambi i lati del confine. L'opzione separate è mantenuta per la replica delle convenzioni precedenti.
Selezione Automatica della Banda: Implementa vari selector (MSE, CER, integrato, puntuale) con opzioni per bande separate o comuni tra i lati del trattamento e le coordinate del punteggio.
Regolazione delle Covariate: Consente miglioramenti di efficienza includendo covariate predeterminate con coefficienti comuni tra i lati del trattamento, integrate sia nella stima che nella selezione della banda.
Regolarizzazione: Include salvaguardie per la regolarizzazione della matrice di covarianza (per l'inferenza uniforme), controlli sui punti di massa e regolarizzazione della distorsione ridotta per prevenire bande eccessivamente ampie.

Applicazione Empirica

Il documento illustra il pacchetto utilizzando il programma Opportunity Zones.

Setup: L'ammissibilità è determinata da un punteggio bivariato (tasso di povertà e reddito familiare mediano) che forma un confine a forma di L. La designazione è fuzzy (non tutte le aree ammissibili vengono designate).
Risultati:
- Primo Stadio: Sia i metodi basati sulla posizione che quelli basati sulla distanza mostrano un forte effetto del primo stadio, statisticamente significativo, dell'ammissibilità sulla designazione lungo tutto il confine.
- Forma Ridotta: L'effetto dell'ammissibilità sulla crescita precoce dei posti di lavoro è piccolo e statisticamente non significativo.
- Effetto Fuzzy: Di conseguenza, la BATEC fuzzy (rapporto di Wald) è imprecisa e statisticamente non significativa. Nessuno dei due metodi trova prove di un effetto del trattamento significativo sulla crescita dei posti di lavoro.
- Confronto: Le stime del primo stadio basate sulla distanza hanno mostrato una variabilità leggermente maggiore vicino a determinate posizioni del confine rispetto alle stime basate sulla posizione, coerente con la sensibilità teorica alla geometria del confine.

Contributi Chiave

Implementazione Software: Il contributo principale è il pacchetto rd2d, che rende operativi risultati teorici complessi per ricercatori applicati su tre principali piattaforme statistiche (R, Python, Stata).
Framework Unificato: Fornisce un framework coerente per stimare e inferire effetti causali nei disegni BD, coprendo disegni netti e fuzzy, inferenza puntuale e uniforme, e riassunti scalari (WBATE, LBATE).
Chiarezza Metodologica: Implementando sia l'approccio basato sulla posizione che quello basato sulla distanza, il software consente ai ricercatori di diagnosticare l'impatto della geometria del confine sulle loro stime. Evidenzia che, sebbene i metodi basati sulla distanza siano più semplici, la loro validità è più dipendente dalla liscezza del confine.
Strumenti di Inferenza Robusti: Il pacchetto implementa tecniche di inferenza avanzate, incluse bande di confidenza uniformi e stima della varianza robusta ai cluster, essenziali per analizzare l'eterogeneità dell'effetto del trattamento lungo un confine.

Significato e Affermazioni

Il documento posiziona rd2d come uno strumento necessario per la letteratura in crescita sui disegni RD multi-punteggio e geografici. Afferma di colmare un vuoto in cui il lavoro empirico mancava precedentemente di linee guida formali sull'identificazione dei parametri e sulla validità dell'inferenza.

Gli autori sottolineano che, sebbene i metodi basati sulla distanza siano preziosi per la loro semplicità e interpretabilità, l'approccio basato sulla posizione funge da principale punto di riferimento ogni volta che il punteggio bivariato è disponibile, in particolare quando la geometria del confine è complessa. Il software è progettato per facilitare la comunicazione trasparente degli effetti specifici del confine, dei riassunti aggregati e dei diagnostici necessari (ad esempio, bande, dimensioni efficaci del campione e avvisi di regolarizzazione della covarianza) per garantire conclusioni empiriche robuste.

Il documento conclude che il pacchetto permette ai ricercatori di separare gli effetti della forma ridotta, del primo stadio e fuzzy lungo confini multidimensionali, come dimostrato nell'applicazione alle Opportunity Zones, e che la sintassi e la documentazione fornite mirano a standardizzare la comunicazione dei disegni BD nella ricerca empirica.