📈 economics

Donut Regression Discontinuity Designs

Dit artikel biedt een theoretisch kader voor donut regressie-discontinuïteitsontwerpen, waarbij wordt aangetoond hoe het uitsluiten van observaties nabij de afkapwaarde de bias en variantie beïnvloedt, terwijl wordt aangetoond dat bestaande bias-bewuste inferentiemethoden geldig blijven en door het formaliseren van specificatietests voor het vergelijken van conventionele en donut-schatters.

Oorspronkelijke auteurs: Cladia Noack, Chistoph Rothe

Gepubliceerd 2026-08-12

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Cladia Noack, Chistoph Rothe

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die probeert te achterhalen waarom iets is gebeurd, maar je kunt geen gecontroleerd experiment uitvoeren. Je moet vertrouwen op "observationele data"—gewoon kijken naar wat er in de echte wereld gebeurt. In de wereld van de economie en sociale wetenschappen is er een slimme truc genaamd een Regression Discontinuity (RD) design. Denk aan een strikte uitsmijter bij een exclusieve club. De uitsmijter heeft een regel: "Als je 18 jaar of ouder bent, mag je naar binnen; als je 17 jaar en 364 dagen oud bent, blijf je buiten."

Omdat de regel zo scherp is, zijn de mensen die net oud genoeg zijn (18 jaar en 1 dag) en de mensen die net te jong zijn (17 jaar en 364 dagen) in alle opzichten praktisch identieke tweelingen, behalve door die ene dag leeftijd. Als je hun uitkomsten vergelijkt—bijvoorbeeld hoeveel geld ze later in hun leven verdienen—kun je het effect van het 18 worden isoleren. Het is als een natuurlijk experiment waarbij het enige dat verandert de "behandeling" is (naar binnen mogen).

Maar hier zit de adder onder het gras: soms wordt de data rommelig. Mensen liegen soms over hun leeftijd, of de uitsmijter raakt in de war en laat een 17-jarige binnen die eruitziet als een 18-jarige, of misschien zijn mensen die precies 18 jaar oud zijn ook vreemd genoeg anders dan de rest. Wanneer onderzoekers vermoeden dat de data vlak bij de "cutoff" (het omslagpunt) niet deugt, gebruiken ze vaak een strategie genaamd een "Donut" RD-design. Dit is waar ze de datapunten die te dicht bij de lijn liggen weggooien, waardoor er een gat in het midden van hun data ontstaat—als een donut. Ze proberen dan te raden wat er in het midden zou zijn gebeurd door te kijken naar de mensen die iets verder weg zitten.

Het probleem is dat het voor een lange tijd niemand de wiskunde achter dit "donut"-gat kende. Onderzoekers gokten maar wat over hoe groot de donut moest zijn en of hun resultaten wel betrouwbaar waren. Ze aten de donut op zonder te weten of het gat te groot was of dat de glazuur aan het smelten was.

Het verhaal van het paper: De Donut-wiskunde

In dit paper besluiten Claudia Noack en Christoph Rothe te stoppen met gokken en te beginnen met het zware rekenwerk. Ze behandelen de "donut" niet alleen als een heuristische truc, maar als een formeel statistisch instrument. Ze vragen zich af: Als we het midden van de data eruit snijden, wat gebeurt er dan met onze schattingen? Krijgen we meer foute antwoorden? Worden onze betrouwbaarheidsintervallen (de range waarin we denken dat de waarheid ligt) breder?

Hun bevindingen zijn een mix van "wees voorzichtig" en "dit is hoe je het goed doet."

Ten eerste ontdekten ze dat het weghalen van de data nabij de lijn de precisie van je schattingen wel degelijk vermindert. Het is alsoals proberen de temperatuur in het midden van een kamer te raden door alleen de hoeken te meten. Je moet meer raden (extrapoleren), wat meer fouten introduceert. Ze vonden dat als je een kleine "donut" verwijdert (bijvoorbeeld observaties binnen 10% van je gebruikelijke datavenster), de bias (hoe ver je er eventueel naast zit) van je schatting met 41% tot 63% kan stijgen, en de variantie (hoezeer je antwoord zou schommelen als je de studie opnieuw zou doen) met 53% tot 61% kan toenemen. In gewone mensentaal: de donut maakt je antwoord ruiziger en potentieel meer scheefgetrokken.

De auteurs vonden echter ook een zilveren randje. Ze lieten zien dat een specif kind type statistisch instrument, een "bias-aware" betrouwbaarheidsinterval, perfect werkt, zelfs met het donutgat. Dit zijn speciale intervallen die iets breder zijn om rekening te houden met het feit dat je er iets naast kunt zitten. Het paper bewijst dat je geen nieuwe wiskunde voor donuts hoeft uit te vinden; je moet alleen deze bestaande, robuuste tools gebruiken. Maar er is een prijs: vanwege de extra onzekerheid worden deze betrouwbaarheidsintervallen 26% tot 33% langer wanneer je een donut gebruikt. Het is alsof de uitsmijter zegt: "We weten niet precies wie er naar binnen gaat, dus we geven je een bredere reeks mogelijkheden."

Het paper pakt ook de vraag aan waarom onderzoekers donuts gebruiken in de eerste plaats. Vaak gebruiken ze ze als een "diagnostische test." Als het resultaat van de "donut"-data (waarbij de rommelige midden wordt genegeerd) totaal anders is dan het result than de resultaten met de volledige data, dan is dat een rode vlag dat er iets mis is met de data nabij de cutoff. De auteurs ontwikkelden nieuwe, formele tests om dit te controleren. Ze vergeleken twee manieren om deze controle uit te voeren:

De Oude Manier: Vergelijk het "Donut"-resultaat met het "Volledige Data"-resultaat.
De Nieuwe Manier: Vergelijk het "Donut"-resultaat met een resultaat dat berekend is alleen op basis van de data binnen het gat (de "within-donut" data).

Door middel van simulaties en wiskunde kwamen ze tot de conclusie dat de Nieuwe Manier over het algemeen een betere detective is. Het is krachtiger in het opsporen van situaties waarin de data nabij de cutoff daadwerkelijk kapot is. In hun simulaties ving de nieuwe test problemen veel vaker op dan de oude methode.

Ten slotte pasten de auteurs hun nieuwe regels toe op twee praktijkvoorbeelden. Het ene ging over lerarencontracten in Pakistan, waar een beleidswijziging een cutoff creëerde. Ze ontdekten dat wanneer ze de donut-methode gebruikten, de resultaten drastisch veranderden, wat suggereerde dat de oorspronkelijke data nabij de cutoff inderdaad problematisch was. Het andere voorbeeld ging over baby's met een laag geboortegewicht (rond de 1.500 gram). Ze bevestigden dat afrondingsfouten in de geboortegewichten de data direct rond de 1.500g verstoorden, en hun nieuwe tests hielpen precies te kwantificeren hoeveel dat ertoe deed.

Kortom, Noack en Rothe hebben niet alleen gezegd "donuts zijn oké." Ze gaven onderzoekers een handleiding: "Als je een donut gebruikt, verwacht dan dat je antwoorden een beetje ruiziger zijn en je veiligheidsmarges breder. Maar als je deze specifieke tools en deze nieuwe testmethode gebruikt, kun je je conclusies nog steeds vertrouwen." Ze hebben een populaire maar slordige keukentruc veranderd in een precies, wetenschappelijk instrument.

Technische Samenvatting: Donut Regression Discontinuity Designs

1. Probleemstelling

Regression Discontinuity (RD) designs zijn een standaard raamwerk voor het identificeren van causale effecten uit observationele data. Echter, empirische onderzoekers worden frequent geconfronteerd met zorgen over de validiteit van de loopvariabele nabij de drempelwaarde, zoals sortering, manipulatie, meetfouten of data-heaping (bijv. afrondingen naar focuswaarden). Om deze problemen aan te pakken, maken onderzoekers vaak gebruik van "donut" RD designs, waarbij observaties binnen een buurt (het "donutgat") rond de behandelingsdrempel worden uitgesloten.

Ondanks het brede gebruik is de implementatie van donut RD designs grotendeels heuristisch gebleven. Er is beperkte formele begeleiding over hoe het trimmen van observaties de bias, variantie en statistische inferentie van de estimator beïnvloedt. Specifiek blijft het onduidelijk:

Hoe de uitsluiting van data nabij de drempelwaarde de afruil tussen bias en variantie verandert.
Of standaardfouten en betrouwbaarheidsintervallen gerapporteerd door conventionele software geldig blijven.
Hoe men formeel kan testen of het verschil tussen een conventionele RD-schatter en een donut RD-schatter statistisch significant is of louter het gevolg is van steekproefvariatie.
Hoe men de omvang van de verschillen tussen deze twee estimators te interpreteren in de context van specificatietesten.

2. Methodologie en Theoretisch Raamwerk

De auteurs analyseren donut RD designs binnen het lokale lineaire schattingsraamwerk. Ze beschouwen een scherpe (sharp) RD design waarbij de loopvariabele $X_i$ de behandeling $T_i = \mathbb{1}\{X_i \geq 0\}$ bepaalt.

2.1. De Donut Estimator

De donut RD estimator, $\hat{\tau}(h, d)$ , wordt gedefinieerd als een lokale lineaire regressie die observaties uitsluit waar $|X_i| < d$ , waarbij $d$ de donut-grootte is en $h$ de bandbreedte ( $d < h$ ). Deze estimator omvat de conventionele RD estimator als een speciaal geval waarbij $d=0$ .

2.2. Estimanden en Identificatie

Het artikel maakt onderscheid tussen twee potentiële doelen van het gebruik van een donut design:

Causale Schatting: De onderzoeker postuleert een hypothetische functie $\mu^*(x)$ die overeenkomt met de geobserveerde conditionele verwachting $\mu(x)$ buiten de donut ( $|x| \geq d$ ), maar kan verschillen binnen de donut. De doelparameter is de sprong in $\mu^*(x)$ bij nul, $\tau^* = \mu^*_+ - \mu^*_-$ .
Diagnostische/Specificatie Testen: De onderzoeker test de nulhypothese dat de geobserveerde data binnen de donut compatibel is met de smoothing-aannames die de data buiten de donut beheersen. Onder de nul geldt $\mu(x) \ de \mu^*(x)$ voor alle $x$ , wat impliceert dat $\tau = \tau^*$ .

2.3. Asymptotische Regimes

De analyse beschouwt twee asymptotische regimes met betrekking tot de donut-grootte $d$ ten opzichte van de bandbreedte $h$ :

Small Donut Asymptotics: $d = ch$ waarbij $c \in [0, 1)$ vaststaat en $h \to 0$ . Dit modelleert scenario's waarbij de uitgesloten buurt klein is ten opzichte van het schattingsvenster.
Large Donut Asymptotics: $d$ staat vast en $h \to d$ . Dit modelleert scenario's waarbij het schattingsvenster slechts iets groter is dan de uitgesloten kloof.

2.4. Belangrijke Technische Instrumenten

De auteurs leiden asymptotische benaderingen af voor de bias en variantie van de donut estimator. Ze tonen aan dat de donut estimator zich gedraagt als een conventionele estimator met een gemodificeerde kernfunctie $K_c(u) = K(u)\mathbb{1}\{|u| > c\}$ . Bijgevolg hangen de asymptotische eigenschappen af van nieuwe kernconstanten $B_K(c)$ en $S_K(c)$ , die integralen zijn over het getrunceerde steunveld $[c, 1]$ .

Voor inferentie maakt het artikel gebruik van bias-bewuste betrouwbaarheidsintervallen (Armstrong en Kolesár, 2018; Kolesár en Rothe, 2018). Deze intervallen houden expliciet rekening met de slechtst denkbare bias toegestaan door een smoothing-grens $M$ , in plaats van te vertrouwen op hogere-orde biascorrecties die gevoelig kunnen zijn voor trimming.

3. Belangrijkste Bijdragen en Resultaten

3.1. Puntmeting: Bias en Variantie Afruilen

Het artikel stelt vast dat donut trimming substantiële extra onzekerheid introduceert ten opzichte van conventionele RD estimators.

Verhoogde Bias en Variantie: Onder small donut asymptotics leidt het uitsluiten van observaties binnen 10% van de bandbreedte ( $c=0.1$ ) tot een verhoging van de asymptotische bias met 41% tot 63% en de variantie met 53% tot 61%, afhankelijk van de kernfunctie (Uniform, Triangular, of Epanechnikov).
Optimale Bandbreedte: De auteurs karakteriseren de MSE-optimale bandbreedte $h_{MSE}(d)$ . Ze tonen aan dat de optimale bandbreedte voor standaard kernen monotoon stijgend is in de donut-grootte $d$ .

3.2. Inferentie: Validiteit van Bias-Bewuste Intervallen

Robuustheid van Bias-Bewuste CI's: Het artikel demonstreert dat bias-bewuste betrouwbaarheidsintervallen asymptotisch geldig blijven voor donut RD designs onder zowel small als large donut asymptotics, zonder dat speciale aanpassingen nodig zijn.
Intervallengte: Hoewel geldig, zorgt de aanwezigheid van een donut voor aanzienlijk bredere intervallen. Voor $c=0.1$ neemt de asymptotische lengte van het betrouwbaarheidsinterval met 26% tot 33% toe vergeleken met het conventionele geval. Deze toename wordt primair gedreven door de stijging van de standaardfout, hoewel de kritieke waarde-functie ook een bijdrage levert.
Robust Bias Correction (RBC): In contrast hiermee merkt het artikel op dat RBC-betrouwbaarheidsintervallen (Calonico et al., 2014) alleen correcte dekking behouden onder small donut asymptotics en nog grotere lengte-inflatie vertonen (60% tot 66% voor $c=0.1$ ) vanwege de gevoeligheid van hogere-orde polynomen voor trimming.

3.3. Specificatietesten

De auteurs ontwikkelen formele statistische tests om conventionele en donut estimators te vergelijken, waarbij rekening wordt gehouden met de hoge correlatie tussen hen.

Test 1 ( $\Delta$ ): Vergelijkt de donut estimator $\hat{\tau}(h, d)$ met de conventionele estimator $\hat{\tau}(h, 0)$ . De teststatistiek houdt rekening met de covariantie tussen de twee estimators.
Test 2 ( $\Gamma$ ): Vergelijkt de donut estimator $\hat{\tau}(h, d)$ met een "within-donut" estimator $\hat{\tau}(d, 0)$ (gebruikmakend van enkel de data binnen de donut). Deze aanpak gebruikt niet-overlappende data, wat resulteert in statistisch onafhankelijke estimators.
Power Properties: Theoretische analyse en simulaties tonen aan dat de $\Gamma$ -test over het algemeen superieure lokale power-eigenschappen bezit ten opzichte van de $\Delta$ -test tegen een klasse van plausibele lokale alternatieven waarbij de conditionele verwachting anders gedraagt binnen de donut.

3.4. Uitbreidingen naar Fuzzy RD

Het raamwerk wordt uitgebreid naar fuzzy RD designs.

Sterke First Stage: Onder small donut asymptotics met een sterke first stage is de fuzzy donut estimator asymptotisch equivalent aan een scherpe donut estimator toegepast op een hulp-uitkomstvariabele. Standaard bias-bewuste inferentie is hierop van toepassing.
Zwakke First Stage: In gevallen van zwakke identificatie of grote donuts is puntmeting over het algemeen inconsistent. De auteurs bevelen het gebruik van Anderson–Rubin-type betrouwbaarheidssets aan en adviseren aparte specificatietesten voor de first stage en de reduced form, waarbij gecorrigeerd wordt voor multiple testing via de Bonferroni-correctie.

4. Empirische Illustraties

Het artikel illustreert de methoden met twee toepassingen:

Teacher Contracts (Pakistan): Bij het herzien van Bau en Das (2020) vinden de auteurs dat donut trimming (het uitsluiten van een periode met lage werving) de eerste-fase schatting van contracttoewijzingskansen drastisch verandert. Specificatietesten verwerpen de conventionele fuzzy RD design krachtig, wat suggereert dat de resultaten worden gedreven door de uitgesloten periode.
Low Birthweight (VS): Bij het herzien van Almond et al. (2010) en Barreca et al. (2011) met betrekking tot kindersterfte bij de 1.500g drempelwaarde. De studie toont aan dat het uitsluiten van observaties nabij de drempelwaarde (door afrondingen/heaping) het geschatte effect van medische interventie vermindert van 0,95% naar 0,16%. Specificatietesten geven aan dat het verschil tussen de conventionele en de donut-schatting statistisch significant is, wat de zorgen over data-onregelmatigheden bij de drempelwaarde ondersteunt.

5. Betekenis en Claims

Het artikel biedt het eerste formele theoretische fundament voor donut RD designs, waardoor de praktijk verschuift van heuristische toepassing naar rigoureuze statistische inferentie.

Verheldering van Afruilen: Het kwantificeert de kosten van donut trimming, waarbij wordt aangetoont dat het weliswaar identificatiedreigingen (zoals manipulatie) kan aanpakken, maar dat dit gepaard gaat met een aanzienlijke stijging van de bias en variantie.
Valide Inferentie: Het biedt een toolkit voor valide statistische inferentie (betrouwbaarheidsintervallen en hypothesetests) die de door trimming geïntroduceerde onzekerheid correct meeweegt.
Diagnostische Nut: Het formaliseert het gebruik van donut designs als diagnostische instrumenten, waarmee een rigoureuze manier wordt geboden om te testen of de data nabij de drempelwaarde consistent gedraagt met de rest van de steekproef.

De auteurs concluderen dat hoewel donut trimming een nuttige strategie is voor specifieke dataproblemen, onderzoekers de substantiële toename in onzekerheid moeten erkennen. Zij suggereren dat de keuze van de donut-grootte $d$ gebaseerd moet zijn op domeinkennis in plaats van louter op data-gedreven selectie, vooral wanneer het doel een valide causale inferentie is. In de context van specificatietesten is het echter zinvol en informatief om een reeks $d$ -waarden te verkennen.