📈 economics

rd2d: Causal Inference in Boundary Discontinuity Designs

본 논문은 경계 불연속 설계에 대한 국소 다항식 추정 및 추론을 구현하고 자동 대역폭 선택, 강건한 편향 보정, 그리고 군집-강건 추론과 같은 기능을 제공하는 R, Python, Stata용 포괄적인 소프트웨어 패키지인 \pkg{rd2d}를 소개하며, 이러한 기능들은 기회지구(Opportunity Zones)에 대한 실증적 적용을 통해 입증된다.

원저자: Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

게시일 2026-05-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

새로운 정책이 실제로 사람들을 도우는지 파악하려고 한다고 상상해 보세요. 통계학的世界里, 연구자들은 종종 "회귀 불연속 (Regression Discontinuity, RD)" 설계라는 교묘한 트릭을 사용합니다. 이는 마치 절벽 가장자리와 같습니다.

표준 RD 설계에서는 지도 위의 단일 선을 상상해 보세요. 선의 왼쪽 바로 옆에 살면 장학금 (처치) 을 받지만, 오른쪽 바로 옆에 살면 받지 못합니다 (통제). 선 바로 옆에 사는 사람들은 선의 어느 쪽에 속하는 것 외에는 모든 면에서 거의 동일하기 때문에, 장학금이 실제로 작동하는지 확인하기 위해 이들을 비교할 수 있습니다.

문제: 세상은 1 차원이 아닌 2 차원입니다
rd2d: Causal Inference in Boundary Discontinuity Designs라는 논문은 실제 삶이 단일 선이 아니라 전체 지도임을 지적합니다. 때로는 프로그램의 자격 요건이 두 가지 요소에 동시에 의존합니다.

예를 들어, "기회 구역 (Opportunity Zone)"(빈곤 지역에 대한 세제 혜택) 자격을 얻으려면 지역이 다음과 같아야 합니다:

충분히 가난해야 합니다 (저소득), 그리고
빈곤율이 충분히 높아야 합니다.

이는 지도에서 직선이 아닌 "L"자 모양으로 보이는 경계를 만듭니다. 이를 경계 불연속 (Boundary Discontinuity, BD) 설계라고 합니다. 과제는 다음과 같습니다: 이 기이한 2 차원 "L"자 모양 선 바로 옆에 있는 지역들을 어떻게 비교할 수 있을까요?

해결책: rd2d 소프트웨어
저자들 (Cattaneo, Titiunik, Yu) 은 이 수학 퍼즐을 해결하기 위해 **rd2d**라는 새로운 소프트웨어 도구를 개발했습니다 (R, Python, Stata 에서 사용 가능). 그들은 데이터를 바라보는 두 가지 주요 방법을 제시하는데, 이는 마치 두 가지 다른 안경과 같습니다:

1. "위치 (Location)" 안경 (직접적 접근법)

이 방법은 지도를 있는 그대로 봅니다. 지역의 빈곤 점수와 소득 점수를 위도와 경도와 같은 두 개의 별도 좌표로 취급합니다.

작동 방식: "L"자 모양 경계 위의 모든 점 주위에 작은 원을 그리고, 그 원 안에 있는 "처치" 측 사람들과 "통제" 측 사람들을 비교합니다.
장점: 이용 가능한 모든 정보를 활용합니다. 지형의 모든 세부 사항을 볼 수 있는 고해상도 사진을 보는 것과 같습니다.
단점: 2 차원에서 동시에 복잡한 계산을 해야 하므로 계산 부하가 큽니다.

2. "거리 (Distance)" 안경 (단순화된 접근법)

이 방법은 지도를 단순화합니다. 두 점수를 보는 대신 "이 지역이 경계선으로부터 얼마나 떨어져 있는가?"를 묻습니다.

작동 방식: 2 차원 지도를 단일 선으로 변환합니다. "처치" 구역 안으로 1 마일 들어오면 점수가 +1 이고, 밖으로 1 마일 나가면 -1 입니다.
장점: 복잡한 2 차원 문제를 원래의 절벽 가장자리와 같은 단순한 1 차원 문제로 되돌립니다. 계산하기 쉽고 설명하기도 쉽습니다.
단점: 일부 세부 사항을 잃습니다. 경계선에 날카로운 모서리 ("꺾임") 가 있는 경우, 이 방법은 날카로운 회전길을 직선 도로 지도만으로 운전하려는 GPS 처럼 혼란을 겪을 수 있습니다.

소프트웨어가 실제로 수행하는 작업
rd2d 패키지는 단순히 그림을 그리는 것이 아니라, 중대한 통계적 작업을 수행합니다:

자동 조정: "돋보기"(대역폭) 크기를 자동으로 결정합니다. 돋보기가 너무 작으면 사진이 거칠어집니다 (너무 많은 노이즈). 너무 크면 세부 사항이 흐려집니다. 소프트웨어는 완벽한 크기를 찾습니다.
퍼지 (Fuzzy) 대 샤프 (Sharp): 때로는 선을 넘으면 처치를 받는 것이 보장됩니다 (샤프). 다른 경우에는 선을 넘으면 처치를 받을 확률만 증가합니다 (퍼지). 소프트웨어는 두 경우 모두를 처리합니다.
- 유사점: "샤프" 설계는 자판기와 같습니다: 동전을 넣으면 소다를 얻습니다. "퍼지" 설계는 로또와 같습니다: 티켓을 사면 당첨 확률이 높아지지만, 당첨을 보장하지는 않습니다.
"기회 구역" 테스트 드라이브: 저자들은 실제 사례인 기회 구역에 소프트웨어를 테스트했습니다.
- 설정: 기회 구역으로 지정되는 것이 실제로 일자리를 창출했는지 확인했습니다.
- 결과: 자격 요건을 충족하는 것이 지정될 가능성을 크게 높였다는 것을 발견했습니다 ("1 단계"가 작동함). 그러나 실제 일자리 성장을 살펴보면, 소프트웨어는 초기 몇 년 동안 구역이 일자리를 창출했다는 유의미한 증거는 발견하지 못했습니다. 그 효과는 무작위 노이즈와 구별하기엔 너무 작았습니다.
- 비교: 그들은 "위치"와 "거리" 방법을 모두 사용하여 분석을 수행했습니다. 두 방법 모두 동의했습니다: 정책은 지정을 얻는 데는 효과가 있었지만, 초기 일자리 성장 결과는 결론을 내리기 어려웠습니다.

왜 이것이 중요한가
이 논문 이전까지 연구자들은 이러한 2 차원 경계를 처리하기 위해 종종 일관성이 없는 자신만의 방법을 고안해야 했습니다. 어떤 이들은 점수 중 하나를 무시했고, 다른 이들은 messy 한 근사치를 사용했습니다.

rd2d 패키지는 표준화되고 엄격한 도구 세트를 제공합니다. 이를 통해 연구자들은 다음과 같은 작업을 수행할 수 있습니다:

정책이 어디서 작동하고 어디서 작동하지 않는지 보여주는 지도인 정확한 "경계 평균 처치 효과 (BATEC)"를 매핑합니다.
해당 지도를 단일 숫자 (평균 효과) 로 요약하거나 "최상 시나리오"(가장 큰 효과) 를 찾습니다.
결과가 실제인지 아니면 단순히 운인지 알 수 있도록 수학적으로 입증된 신뢰 구간을 사용하여 이 모든 작업을 수행합니다.

한 줄 요약
이 논문은 처치를 받기 위한 규칙이 두 가지 요소에 동시에 의존할 때 인과 관계를 측정하기 위한 새롭고 다재다능한 도구를 소개합니다. 데이터 를 바라보는 두 가지 방법 (직접적인 2 차원 매핑 또는 단순화된 1 차원 거리) 을 제공하며, 수학적 계산을 처리할 수 있는 자동 도구를 제공하고, 기회 구역에서 성공적으로 테스트되어 구역은 쉽게 얻을 수 있었지만 초기 일자리 영향은 입증하기 어려웠음을 밝혀냈습니다.

기술적 요약: rd2d: 경계 불연속성 설계에서의 인과 추론

문제 제기

회귀 불연속성 (RD) 설계는 인과 추론을 위한 표준 도구로, 일반적으로 단일 스칼라 점수와 하나의 임계값에 의존합니다. 그러나 많은 실증적 설정에서는 다차원 점수에 대한 1 차원 경계와 관련하여 처치 할당이 결정됩니다. 이러한 경계 불연속성 (BD) 설계는 다중 점수 RD 설계로도 알려져 있으며, 지리적 RD 설계와 빈곤율 및 중위 소득과 같은 여러 임계값에 기반한 자격 요건을 포함합니다.

고전적인 스칼라 RD 이론은 잘 정립되어 있지만, BD 설계는 역사적으로 체계적인 방법론적 처리가 부족했습니다. 실증적 적용은 종종 경계 문제에 대한 임의의 축소를 사용하며, 다음에 대한 공식적인 지침 없이 이루어집니다:

어떤 인과 모수가 추정되고 있는지.
경계를 따라 처치 효과 이질성을 어떻게 요약할 것인지.
여러 경계 위치에 걸쳐 추론이 일관되게 유효한지.

기존 접근법은 이변량 점수를 일변량 부호付き 거리로 축소하는 경우가 많으나, 이러한 축소의 유효성은 경계의 기하학적 구조 (예: 꺾임이나 불규칙성) 에 크게 의존하며, 이는 조건부 기대값이 매끄럽더라도 편향을 초래할 수 있습니다.

방법론

본 논문은 R, Python, Stata 용 소프트웨어 패키지인 **rd2d**를 소개하며, 이는 BD 설계에 대한 최근 이론적 발전을 구현합니다. 방법론은 두 가지 주요 접근법에 기반합니다:

1. 위치 기반 접근법

이 접근법은 이변량 점수 $X_i = (X_{1i}, X_{2i})^\top$ 를 직접 사용합니다.

추정: 경계 $B$ 의 양쪽에서 결합된 처치 상호작용 회귀 표현을 사용하여 국소 다항식 회귀를 적합합니다. 이를 통해 경계 위의 모든 점 $x$ 에서의 국소 처치 효과를 포착하는 경계 평균 처치 효과 곡선 (BATEC), $\tau(x)$ 를 추정할 수 있습니다.
추론: Calonico 등 (2014, 2018, 2020, 2022) 의 연구를 경계 인덱스 추정량으로 확장한 강건한 편향 수정 (RBC) 추론을 사용합니다. 여기에는 경계 위의 점별 신뢰 구간과 균일 신뢰 대역이 포함됩니다.
집계: 프레임워크는 BATEC 의 스칼라 요약을 지원하며, 구체적으로 **가중 경계 평균 처치 효과 (WBATE)**와 **최대 경계 평균 처치 효과 (LBATE)**가 포함됩니다.
퍼지 설계: 불완전한 처치 수용이 있는 설정의 경우, 패키지는 축소형 (ITT), 1 단계 (FS), 퍼지 BATEC (월드 비율) 및 각각의 균일 대역과 집계 요약을 추정합니다.

2. 거리 기반 접근법

이 접근법은 이변량 점수를 경계 위의 각 점까지의 스칼라 부호付き 거리로 대체합니다.

추정: 각 경계 점에서 문제를 일변량 RD 설계로 취급합니다.
유효성: 이론적 결과 (Cattaneo 등, 2026b) 는 거리 기반 방법이 특정 기하학적 조건 하에서만 위치 기반 방법과 동일한 인과 목표를 회복함을 명확히 합니다. 경계에 꺾임이나 불규칙성이 있는 경우, 거리 함수의 레벨 집합에 대한 평균화로 인해 거리 기반 추정량이 실제 BATEC 와 다를 수 있습니다.
구현: 패키지는 사용자가 알려진 꺾임 위치를 지정하거나 미상으로 처리하여 대역폭 선택과 편향 수정 차수를 조정할 수 있도록 합니다.

주요 구현 기능

결합 대 분리 적합: 기본값인 fitmethod = "joint"는 처치 상호작용 회귀를 사용하며, 이는 클러스터 (예: 학교 지구) 가 경계 양쪽을 모두 spanning 할 때 클러스터-강건한 추론에 필수적입니다. separate 옵션은 이전 관례의 재현을 위해 유지됩니다.
자동 대역폭 선택: MSE, CER, 통합, 점별 등 다양한 선택기를 구현하며, 처치 측면과 점 좌표에 걸쳐 별도의 대역폭 또는 공통 대역폭 옵션을 제공합니다.
공변량 조정: 처치 측면에 걸쳐 공통 계수를 갖는 사전 결정된 공변량을 포함하여 효율성을 개선할 수 있으며, 이는 추정과 대역폭 선택 모두에 통합됩니다.
정규화: 균일 추론을 위한 공분산 행렬 정규화, 질량점 확인, 과도하게 큰 대역폭을 방지하기 위한 작은 편향 정규화에 대한 안전 장치를 포함합니다.

실증적 적용

본 논문은 기회 구역 (Opportunity Zones) 프로그램을 사용하여 패키지를 설명합니다.

설정: 자격 요건은 빈곤율과 중위 가족 소득으로 구성된 이변량 점수에 의해 결정되며, L 자형 경계를 형성합니다. 지정은 퍼지합니다 (모든 자격 요건을 갖춘 구역이 지정되는 것은 아님).
결과:
- 1 단계: 위치 기반 및 거리 기반 방법 모두 경계를 걸쳐 자격 요건이 지정에 미치는 1 단계 효과가 강력하고 통계적으로 유의함을 보여줍니다.
- 축소형: 자격 요건이 초기 직장 - 일자리 성장에 미치는 효과는 작고 통계적으로 유의하지 않습니다.
- 퍼지 효과: 결과적으로 퍼지 BATEC(월드 비율) 는 부정확하며 통계적으로 유의하지 않습니다. 두 방법 모두 일자리 성장에 대한 유의한 처치 효과에 대한 증거를 찾지 못했습니다.
- 비교: 거리 기반 1 단계 추정은 위치 기반 추정과 비교하여 특정 경계 위치 근처에서 약간 더 큰 변이를 보였으며, 이는 경계 기하학에 대한 이론적 민감성과 일치합니다.

주요 기여

소프트웨어 구현: 주요 기여는 복잡한 이론적 결과를 세 가지 주요 통계 플랫폼 (R, Python, Stata) 의 응용 연구자들을 위해 작동 가능하게 만드는 rd2d 패키지입니다.
통합 프레임워크: BD 설계에서 인과 효과를 추정하고 추론하기 위한 일관된 프레임워크를 제공하며, 날카로운 및 퍼지 설계, 점별 및 균일 추론, 스칼라 요약 (WBATE, LBATE) 을 포괄합니다.
방법론적 명확성: 위치 기반 및 거리 기반 접근법 모두를 구현함으로써, 소프트웨어는 연구자들이 경계 기하학이 추정치에 미치는 영향을 진단할 수 있게 합니다. 이는 거리 기반 방법이 더 단순하지만, 그 유효성이 경계의 매끄러움에 더 의존적임을 강조합니다.
강건한 추론 도구: 패키지는 경계를 따라 처치 효과 이질성을 분석하는 데 필수적인 균일 신뢰 대역과 클러스터-강건한 분산 추정을 포함한 고급 추론 기법을 구현합니다.

중요성 및 주장

본 논문은 rd2d를 다중 점수 및 지리적 RD 설계에 대한 성장하는 문헌에 필요한 도구로 위치 짓습니다. 이는 실증 작업이 이전에 모수 식별 및 추론 유효성에 대한 공식적인 지침이 부족했던 간극을 메운다고 주장합니다.

저자들은 거리 기반 방법이 단순성과 해석 가능성 때문에 가치가 있지만, 이변량 점수가 이용 가능한 경우, 특히 경계 기하학이 복잡한 경우 위치 기반 접근법이 주요 기준이 된다고 강조합니다. 소프트웨어는 경계별 효과, 집계 요약, 그리고 견고한 실증적 결론을 보장하기 위해 필요한 진단 (예: 대역폭, 유효 표본 크기, 공분산 정규화 경고) 의 투명한 보고를 촉진하도록 설계되었습니다.

본 논문은 패키지가 기회 구역 적용 사례에서 입증된 바와 같이 다차원 경계를 따라 축소형, 1 단계, 퍼지 효과를 분리할 수 있게 하며, 제공된 구문과 문서화가 실증 연구에서 BD 설계 보고를 표준화하는 것을 목표로 한다고 결론지었습니다.