Placebo Discontinuity Design

기술 요약: 플라시보 불연속 설계 (Placebo Discontinuity Design)

1. 문제 제기
표준 회귀 불연속 설계(RDD)는 잠재적 결과의 기대값이 절단점(cutoff)에서 연속적이라는 식별 가정에 의존한다. 이 가정은 처치(treatment)가 없는 상황에서 절단점 바로 위와 아래의 단위들이 서로 비교 가능하다는 것을 보장한다. 그러나 이러한 연속성은 실행 변수(running variable)가 절단점을 인지하고 있는 행위자들에 의해 전략적으로 조작되거나 분류(sorting)될 때 위배될 수 있다 (예: 학급 규모 축소를 유도하기 위해 등록 인원을 조작하는 학교 행정가, 또는 의료적 개입을 유도하기 위해 출생 체중 보고를 조작하는 의사).

이러한 조작이 발생할 경우, 관측되지 않은 혼란 변수(unobserved confounder)의 실행 변수에 대한 조건부 분포는 절단점에서 불연속적이 된다. 결과적으로, 표준 RDD 추정량은 편향(bias)을 갖게 되는데, 이는 결과값의 불연속성이 처치 효과뿐만 아니라 관측되지 않은 혼란 변수의 불연속성을 동시에 반영하기 때문이다. 기존 문헌들은 플라시보 변수(처치의 영향을 받지 않아야 하는 결과 또는 공변량)를 이러한 위배 사항을 탐지하기 위한 진단 도구로 사용해 왔으나, 현재의 방법론들은 위배가 탐지되었을 때 처치 효과를 어떻게 *회복(recover)*할 것인가에 대한 경로를 제시하지 못하고 있다.

2. 방법론 및 식별 전략
저자들은 플라시보 처치($Z$)와 플라시보 결과($W$)를 활용하여, 표준 연속성 가정이 실패하는 경우에도 관측되지 않은 혼한을 교정하고 인과적 효과를 회복하는 새로운 식별 전략인 "플라시보 불연속 설계(PDD)"를 제안한다.

• 구조적 모델: 논문은 결과 $Y$를 처치 $A$, 실행 변수 $D$, 관측되지 않은 혼란 변수 $U$, 그리고 개별 오차 $\eta_y$의 함수로 모델링한다. 결정적으로, 저자들은 $D$에 따른 $U$의 밀도가 절단점 $d^*$에서 불연속적일 수 있음을 허용한다.

• 핵심 가정:

  • 조건부 연속성: 잠재적 결과가 $D$에 대해 주변적으로(marginally)는 불연속적일 수 있으나, 관측되지 않은 혼란 변수 $U$에 대해서는 조건부로 연속적이라고 가정한다. 즉, 고정된 $u$에 대해 $E[Y(a, D, U, \eta_y) | D=d, U=u]$는 $d$에 대해 연속적이다.
  • 플라시보 변수:
    • 플라시보 처치 ($Z$): 실행 변수 $D$(및 그에 따른 처치 $A$)에 영향을 미치지만, $D$와 $U$가 주어진 조건하에서는 $U$ 및 결과 $Y$와 독립적인 변수이다.
    • 플라시보 결과 ($W$): 관측되지 않은 혼란 변수 $U$의 대리 변수(proxy)이지만, 처치 $A$, 실행 변수 $D$, 또는 플라시보 처치 $Z$에 의해 직접적으로 유발되지 않는 변수이다.
  • 혼란 브릿지(Confounding Bridge): 저자들은 $D$와 $U$가 주어진 조건하에서의 결과의 조건부 기댓값이 $D$와 $U$에 대한 플라시보 결과 $W$의 분포에 대한 $h$의 적분으로 표현될 수 있다는 "혼란 브릿지" 함수 $h$가 존재한다고 가정한다.
  • 완전성(Completeness): 적분 방정식의 해가 유일함을 보장하여 점 식별(point identification)을 가능하게 하는 랭크 조건(rank condition)이다.

• 식별 결과: 이러한 가정하에, 처치 효과 $\tau_0$는 우측 극한과 조정된 좌측 극한의 차이로 식별된다. 여기서 조정은 플라시보 결과의 불연속성에 기반한다. 구체적으로, 추정량은 표준 RDD 항에서 로컬 도구 변수 계수에 의해 가중치가 부여된 플라시보 결과의 불연속성에 기초한 조정 항을 뺀 값으로 분해된다.

3. 추정
논문은 식별 전략을 실행하기 위해 로컬 도구 변수(LIV) 추정량을 제안한다.

• 접근 방식: 저자들은 부분 선형 명세(partially linear specification)를 사용하여 혼란 브릿지 함수를 근사한다. 이들은 도구 변수를 포함하도록 확장된 로컬 선형 회귀 프레임워크를 통해 파라미터를 추정한다.
• 분해: 도출된 추정량 $\hat{\tau}_{pdd}$는 다음과 같이 수치적으로 동일하다:
  $$\hat{\tau}_{pdd} = \hat{\tau}^y_{rdd} - (\hat{\tau}^w_{rdd})^\top \hat{\gamma}_-$$
  여기서 $\hat{\tau}^y_{rdd}$는 대상 결과에 대한 표준 RDD 추정량이고, $\hat{\tau}^w_{rdd}$는 플라시보 결과에 대한 RDD 추정량이며, $\hat{\gamma}_-$는 절단점 아래에서 잔차화된 플라시보 결과에 대해 잔차화된 대상 결과를 도구 변수 $Z$로 도구화하여 얻은 로컬 IV 회귀로부터 유도된 가중치 벡터이다.
• 해석: 만약 플라시보 결과가 불연속성을 보이지 않는다면($\hat{\tau}^w_{rdd} \approx 0$), 조정 항은 사라지며 추정량은 표준 RDD로 축소된다. 만약 불연속성이 존재한다면, 추정량은 이를 사용하여 대상 결과의 편향을 교정한다.

4. 이론적 결과

• 일치성(Consistency): 저자들은 혼란 브릿지가 부분 선형(또는 그것으로 잘 근사됨)이라는 가정하에 LIV 추정량이 처치 효과에 대해 일치함을 입증한다.
• 점근적 정규성 및 편향 교정: Calonico et al. (2014)의 프레임워크를 따라, 평균 제곱 오차(MSE) 최적 대역폭(bandwidth)을 사용할 때 발생하는 나이브(naive) 추정량의 점근적 편향을 도출한다. 저자들은 **강건한 편향 교정 추론 절차(robust bias-corrected inference procedure)**를 제안한다. 이들은 편향 교정 후, 추정량이 $n^{-2/5}$의 속도로 점근적으로 정규 분포를 따르며, 이를 통해 유효한 신뢰 구간과 가설 검정을 구축할 수 있음을 보여준다.

5. 주요 기여 및 의의

• 진단에서 교정으로: 본 연구의 주요 기여는 RDD에서 플라시보 변수의 역할을 단순한 진단 도구(유효성 탐지용)에서 능동적인 교정 메커니즘(유효성 회복용)으로 전환시킨 데 있다.
• 조작 상황에서의 점 식별: 실행 변수가 조작되는 상황에서 처치 효과의 경계(bounds)만을 제공했던 기존 방식(예: Gerard et al., 2020)과 달리, 본 논문은 전략적 행동이 존재하는 상황에서도 처치 효과의 **점 식별(point identification)**을 위한 조건을 제공한다.
• 비모수적 회복: 이 방법은 생산 함수나 관측되지 않은 변수의 분포에 대한 강력한 모수적 가정을 요구하는 다른 방법들(예: Garicano et al., 2016)과 달리, RDD 처치 효과를 비모수적으로 회복한다.
• 실무적 구현: 제안된 추정량은 친숙한 RDD 구성 요소와 가중치가 부여된 조정 항으로 분해되어, 실증 연구자들이 계산적으로 다루기 쉽고 해석하기 용이하다. 또한, 부분 선형 근사를 활용함으로써 여러 공변수를 포함하는 비모수 추정에서 흔히 발생하는 "차원의 저주"를 피한다.

6. 주장 및 한계
저자들은 새로운 식별 결과를 제공하고 로컬 선형 RDD 추정량의 새로운 변형을 제시한다는 점을 겸허하게 주장한다. 저자들은 (특히 혼란 브릿지의 존재와 완전성 조건과 같은) 구조적 가정들이 표준 IV 가정과 마찬가지로 일반적으로 검증 불가능하다는 점을 인정한다. 이 방법은 특정 배제 및 독립성 제약을 만족하는 유효한 플라시보 변수의 가용성에 의존한다. 본 논문은 모든 형태의 RDD 무효성을 해결한다고 주장하는 것이 아니라, 전략적 조작이 관측되지 않은 혼란 변수의 불연속성을 초래하는 설정, 즉 정부 혜ประโยชน์나 사회 프로그램과 관련된 사회 과학 응용 분야에서 흔히 발생하는 문제를 구체적으로 겨냥한다. 향후 연구에서는 편향을 고려한 추론(bias-aware inference)과 약한 대리 변수(weak proxies) 하에서의 추정량 거동에 대한 탐구를 제안한다.