기술 요약: 도넛 회귀 불연속 설계 (Donut Regression Discontinuity Designs)

1. 문제 제기

회귀 불연속(Regression Discontinuity, RD) 설계는 관측 데이터로부터 인과 효과를 식별하기 위한 표준적인 틀이다. 그러나 실증 연구자들은 실행 변수(running variable)의 임계값 근처에서 발생하는 정렬(sorting), 조작(manipulation), 측정 오차, 또는 데이터 히핑(data heists, 예: 특정 값으로의 반올림)과 같은 유효성 문제를 빈번하게 마주한다. 이러한 문제를 해결하기 위해 연구자들은 흔히 "도넛" RD 설계를 사용하여 임계값 주변의 일정 구간(즉, "도넛 구멍") 내에 있는 관측치를 제외한다.

이러한 도넛 RD 설계의 광범위한 사용에도 불구하고, 그 구현 방식은 대체로 휴리스틱(heuristic)에 의존해 왔다. 관측치를 트리밍(trimming)하는 것이 편향(bias), 분산(variance) 및 통계적 추론에 어떻게 영향을 미치는지에 대한 공식적인 지침은 제한적이다. 구체적으로 다음 사항들이 여전히 불분번하다:

• 데이터를 제외하는 것이 편향과 분산 사이의 트레이드오프(trade-off)를 어떻게 변화시키는가.
• 기존 소프트웨어가 보고하는 표준 오차와 신뢰 구간이 여전히 유효한가.
• 일반적인 RD 추정치와 도넛 RD 추정치 사이의 차이가 통계적으로 유의미한 것인지, 아니면 단순히 샘플링 변동에 의한 것인지 공식적으로 테스트하는 방법은 무엇인가.
• 명세 검정(specification testing)의 맥락에서 두 추정치 간의 차이의 크기를 어떻게 해석해야 하는가.

2. 방법론 및 이론적 틀

저자들은 국소 선형 추정(local linear estimation) 프레임워크 내에서 도넛 RD 설계를 분석한다. 이들은 실행 변수 $X_i$가 처치 $T_i = \mathbb{1}\{X_i \geq 0\}$를 결정하는 날카로운(sharp) RD 설계를 고려한다.

2.1. 도넛 추정량 (The Donut Estimator)

도넛 RD 추정량 $\hat{\tau}(h, d)$는 $|X_i| < d$인 관측치를 제외하는 국소 선형 회귀로 정의되며, 여기서 $d$는 도넛의 크기이고 $h$는 대역폭(bandwidth)이다 ($d < h$). 이 추정량은 $d=0$인 경우의 일반적인 RD 추정량을 포함하는 특수한 경우이다.

2.2. 추정 대상 및 식별 (Estimands and Identification)

본 논문은 도넛 설계를 사용하는 두 가지 잠재적 목표를 구분한다:

1. 인과적 추정 (Causal Estimation): 연구자는 도넛 외부($|x| \geq d$)에서는 관측된 조건부 기대값 $\mu(x)$와 일치하지만, 내부에서는 다를 수 있는 가상의 함수 $\mu^*(x)$를 상정한다. 목표 파라미터는 0에서의 점프인 $\tau^* = \mu^*_+ - \mu^*_-$이다.
2. 진단/명세 검정 (Diagnostic/Specification Testing): 연구자는 도넛 내부의 관측된 데이터가 도넛 외부의 데이터를 지배하는 매끄러움(smoothness) 가정과 호환되는지를 검정한다. 귀무가설 하에서 $\mu(x) = \mu^*(x)$이며, 이는 $\tau = \tau^*$임을 의미한다.

2.3. 점근적 체제 (Asymptotic Regimes)

분석은 대역폭 $h$에 대한 도넛 크기 $d$의 관계에 따라 두 가지 점근적 체제를 고려한다:

• 작은 도넛 점근 (Small Donut Asymptotics): $d = ch$(여기서$c \in [0, 1]$은 고정된 값)이며$h \to 0$인 경우이다. 이는 제외된 영역이 추정 창(estimation window)에 비해 작은 시나리오를 모델링한다.
• 큰 도넛 점근 (Large Donut Asymptotics): $d$는 고정되어 있고 $h \to d$인 경우이다. 이는 추정 창이 제외된 간격보다 약간 더 큰 시나리오를 모델링한다.

2.4. 주요 기술적 도구

저자들은 도넛 추정량의 편향과 분산에 대한 점근적 근사치를 도출한다. 이들은 도넛 추정량이 수정된 커널 함수 $K_c(u) = K(u)\mathbb{1}\{|u| > c\}$를 갖는 일반적인 추정량처럼 작동함을 보여준다. 결과적으로, 점근적 특성은 절단된 지지 집합 $[c, 1]$에 대한 적분인 새로운 커널 상수 $B_K(c)$와 $S_K(c)$에 의존한다.

추론을 위해, 본 논문은 편향 인식 신뢰 구간(Armstrong and Kolesár, 2018; Kolesár and Rothe, 2018)을 활용한다. 이 구간은 고차 편향 보정에 의존하기보다는 매끄러움 경계 $M$에 의해 허용되는 최악의 편향을 명시적으로 고려한다.

3. 주요 기여 및 결과

3.1. 점 추정: 편향과 분산의 트레이드오프

본 논문은 도넛 트리밍이 일반적인 RD 추정량에 비해 상당한 추가적 불확실성을 도입함을 입증한다.

• 편향 및 분산의 증가: 작은 도넛 점근 체제 하에서, 대역폭의 10% 이내($c=0.1$) 관측치를 제외하면 커널 함수(Uniform, Triangular, 또는 Epanechnikov)에 따라 점근적 편향은 41%에서 63%, 분산은 53%에서 61%까지 증가한다.
• 최적 대역폭: 저자들은 평균 제곱 오차(MSE) 최적 대역폭 $h_{MSE}(d)$를 규명한다. 이들은 표준 커널에 대해 최적 대역폭이 도넛 크기 $d$에 따라 단조 증가함을 보여준다.

3.2. 추론: 편향 인식 신뢰 구간의 유효성

• 편향 인식 CI의 강건성: 본 논문은 특별한 조정 없이도 작은 도넛 점근 및 큰 도넛 점근 모두에서 편향 인식 신뢰 구간이 점근적으로 유효함을 입증한다.
• 구간 길이: 유효하긴 하지만, 도넛의 존재는 이 구간을 상당히 넓힌다. $c=0.1$일 때, 점근적 신뢰 구간의 길이는 일반적인 경우에 비해 26%에서 33% 증가한다. 이러한 증가는 주로 표준 오차의 상승에 기인하며, 임계값 함수 또한 기여한다.
• 강건한 편향 보정 (RBC): 이와 대조적으로, RBC 신뢰 구간(Calonico et al., 2014)은 작은 도넛 점근 하에서만 올바른 피복(coverage)을 유지하며, 트리밍에 민가한 고차 다항식으로 인해 훨씬 더 큰 길이 팽창( $c=0.1$일 때 60%~66%)을 겪는다는 점을 지적한다.

3.3. 명세 검정 (Specification Testing)

저자들은 일반 RD 추정치와 도넛 추정치 사이의 높은 상관관관계를 고려하여, 두 추정치를 비교하기 위한 공식적인 통계 검정을 개발한다.

• 검정 1 ($\Delta$): 도넛 추정량 $\hat{\tau}(h, d)$와 일반적인 추정량 $\hat{\tau}(h, 0)$를 비교한다. 이 검정 통계량은 두 추정치 사이의 공분산을 고려한다.
• 검정 2 ($\Gamma$): 도넛 추정량 $\hat{\tau}(h, d)$와 "도넛 내부" 추정량 $\hat{\tau}(d, 0)$ (구멍 내부의 데이터만 사용)를 비교한다. 이 접근법은 겹치지 않는 데이터를 사용하여 통계적으로 독립적인 추정량을 생성한다.
• 검정력 특성: 이론적 분석과 시뮬레이션 결과, $\Gamma$ 검정은 조건부 기대값이 도넛 내부에서 다르게 행동하는 타당한 국소 대안 클래스에 대해 $\Delta$ 검정보다 일반적으로 우수한 국소 검정력을 가진다.

3.4. 퍼지(Fuzzy) RD로의 확장

본 프레임워크는 퍼지 RD 설계로 확장된다.

• 강한 1단계 (Strong First Stage): 작은 도넛 점근 하에서 강한 1단계를 갖는 경우, 퍼지 도넛 추정량은 보조 결과 변수에 적용된 날카로운 도넛 추정량과 점근적으로 동등하다. 표준 편향 인식 추론이 적용된다.
• 약한 1단계 (Weak First Stage): 식별이 약하거나 도넛이 큰 경우, 점 추정은 일반적으로 일치성을 갖지 못한다. 저자들은 Anderson–Rubin 유형의 신뢰 집합(confidence sets)을 사용할 것과, 다중 검정 문제를 위해 본래 단계(first stage)와 축약 형태(reduced form)에 대한 별도의 명세 검정을 수행하고 본페로니 교정(Bonferroni correction)을 통해 조정할 것을 권장한다.

4. 실증적 예시

논문은 두 가지 응용 사례를 통해 방법론을 설명한다.

1. 교사 계약 (파키스탄): Bau와 Das (2020)의 연구를 재검토하며, 저자들은 도넛 트리밍(고용 기간 제외)이 1단계 계약 할당 확률 추정치를 극적으로 변화시킨다는 것을 발견했다. 명세 검정은 일반적인 퍼지 RD 설계를 강력하게 기각하며, 이는 결과가 제외된 기간에 의해 주도되었음을 시사한다.
2. 저체중 출생 (미국): 1,500g 임계값에서의 영아 사망률에 관한 Almond et al. (2010) 및 Barreca et al. (2011)의 연구를 재검토한다. 연구 결과, 임계값 근처의 관측치(반올림/히핑 때문)를 제외하면 의료 개입의 추정 효과가 0.95%에서 0.16%로 급감한다. 명세 검정은 일반적인 추정치와 도넛 추정치 사이의 차이가 통계적으로 유의미함을 나타내며, 이는 임계값에서의 데이터 불규칙성에 대한 우려를 뒷받침한다.

5. 의의 및 주장

본 논문은 도넛 RD 설계를 휴리스틱한 적용에서 엄밀한 통계적 추론으로 격상시키며, 최초의 공식적인 이론적 토대를 제공한다.

• 트레이드오프 명확화: 도넛 트리밍의 비용을 정량화하여, 그것이 식별 위협(예: 조작)을 해결할 수는 있지만 상당한 편향과 분산의 증가를 수반한다는 점을 보여준다.
• 유효한 추론: 트리밍에 의해 도입된 불확실성을 정확하게 반영하는 유효한 통계적 추론(신뢰 구간 및 가설 검정)을 위한 도구 상자를 제공한다.
• 진단적 유용성: 도넛 설계를 데이터 근처의 행동이 나머지 샘플과 일치하는지를 테스트하는 엄밀한 진단 도구로 사용하는 것을 공식화한다.

저자들은 도넛 트리밍이 특정 데이터 문제를 해결하기 위한 유용한 전략이지만, 연구자들은 상당한 불확실성 증가를 인지해야 한다고 결론짓는다. 특히 유효한 인과적 추론이 목표일 때, 도넛 크기 $d$의 선택은 순수하게 데이터 기반의 선택보다는 주제 전문 지식에 의존해야 한다고 제언한다. 다만, 명세 검정 맥의에서는 다양한 $d$ 값을 탐색하는 것이 가능하며 유익하다.