Placebo Discontinuity Design

Technische Samenvatting: Placebo Discontinuity Design

1. Het Probleem
Een standaard Regression Discontinuity Design (RDD) rust op de identificerende aanname dat de verwachte potentiële uitkomsten continu zijn bij de drempelwaarde (cutoff). Deze aanname waarborgt dat eenheden net boven en net onder de drempel vergelijkbaar zijn in afwezigheid van behandeling. Echter, deze continuïteit kan worden geschonden wanneer de lopende variabele onderhevig is aan strategische manipulatie of sortering door actoren die op de hoogte zijn van de drempelwaarde (bijv. schooladministrateurs die de inschrijving manipuleren om de groepsgrootte te verkleinen, of artsen die rapportages over geboortegewicht manipuleren om medische interventies te triggeren).

Wanneer dergelijke manipulatie optreedt, wordt de conditionele verdeling van ongeobserveerde confounders gegeven de lopende variabele discontinu bij de drempelwaarde. Bijgevolg worden standaard RDD-schatters vertekend omdat de discontinuïteit in de uitkomst zowel het behandelings-effect als de discontinuïteit in de ongeobserveerde confounding reflecteert. Hoewel de bestaande literatuur placebo-variabelen (uitkomsten of covariaten die niet door de behandeling beïnvloed zouden mogen worden) gebruikt als diagnostische instrumenten om dergelijke schendingen te detecteren, bieden huidige methoden geen weg om het behandelings-effect te herstellen zodra een schending is gedetecteerd.

2. Methodologie en Identificatiestrategie
De auteurs stellen een nieuwe identificatiestrategie voor, getiteld "Placebo Discontinuity Design" (PDD), die gebruikmaakt van een placebo-behandeling ($Z$) en een placebo-uitkomst ($W$) om voor ongeobserveerde confounding te corrigeren en het causale effect te herstellen, zelfs wanneer de standaard continuïteitsaanname faalt.

• Structureel Model: Het artikel modelleert de uitkomst $Y$ als een functie van behandeling $A$, lopende variabele $D$, ongeobserveerde confounder $U$ en idiosyncratische ruis $\eta_y$. Cruciaal is dat de auteurs toestaan dat de dichtheid van $U$ gegeven $D$ discontinu is bij de drempelwaarde $d^*$.

• Kernassumpties:

  • Conditionele Continuïteit: Hoewel potentiële uitkomsten marginaal discontinu kunnen zijn in $D$, worden ze aangenomen continu te zijn conditioneel op de ongeobserveerde confounder $U$. Dat wil zeggen, $E[Y(a, D, U, \eta_y) | D=d, U=u]$ is continu in $d$ voor een vaste $u$.
  • Placebo-variabelen:
    • Placebo-behandeling ($Z$): Een variabele die de lopende variabele $D$ (en daarmee de behandeling $A$) beïnvloedt, maar onafhankelijk is van de ongeobserveerde confounder $U$ en de uitkomst $Y$ conditioneel op $D$ en $U$.
    • Placebo-uitkomst ($W$): Een variabele die een proxy is voor de ongeobserveerde confounder $U$, maar niet direct wordt veroorzaakt door de behandeling $A$, de lopende variabele $D$, of de placebo-behandeling $Z$.
  • Confounding Bridge: De auteurs nemen het bestaan aan van een "confounding bridge" functie $h$, waarbij de conditionele verwachting van de uitkomst gegeven $D$ en $U$ kan worden uitgedrukt als een integraal van $h$ met betrekking tot de verdeling van de placebo-uitkomst $W$ gegeven $D$ en $U$.
  • Volledigheid (Completeness): Een rangvoorwaarde die ervoor zorgt dat de oplossing van de integraalvergelijking uniek is, wat puntidentificatie mogelijk maakt.

• Identificatieresultaat: Onder deze aannames wordt het behandelings-effect $\tau_0$ geïdentificeerd als het verschil tussen de rechterlimiet en de aangepaste linkerlimiet van de uitkomst, waarbij de aanpassing wordt afgeleid van de discontinuïteit van de placebo-uitkomst gewogen door een lokale instrumentele variabele-coëfficiënt. Specifiek is de estimator een decompositie van een standaard RDD-term minus een aanpassingsterm gebaseerd op de discontinuïteit van de placebo-uitkomst.

3. Schatting
Het artikel stelt een Local Instrumental Variable (LIV) estimator voor om de identificatiestrategie te operationaliseren.

• Benadering: De auteurs benaderen de confounding bridge functie met behulp van een partieel lineaire specificatie. Ze schatten de parameters met behulp van een lokaal lineair regressiekader dat is uitgebreid om instrumentele variabelen te bevatten.
• Decompositie: De resulterende estimator $\hat{\tau}_{pdd}$ is numeriek gelijk aan:
  $$\hat{\tau}_{pdd} = \hat{\tau}^y_{rdd} - (\hat{\tau}^w_{rdd})^\top \hat{\gamma}_-$$
  waarbij $\hat{\tau}^y_{rdd}$ de standaard RDD-schatter is voor de doeluitkomst, $\hat{\tau}^w_{rdd}$ de RDD-schatter is voor de placebo-uitkomst, en $\hat{\gamma}_-$ een gewichtsvector is afgeleid van een lokale IV-regressie van de geridualiseerde doeluitkomst op de geridualiseerde placebo-uitkomst (geinstrumenteerd door $Z$) onder de drempelwaarde.
• Interpretatie: Als de placebo-uitkomst geen discontinuïteit vertoont ($\hat{\tau}^w_{rdd} \approx 0$), verdwijnt de aanpassingsterm en reduceert de estimator tot de standaard RDD. Als er een discontinuïteit bestaat, gebruikt de estimator deze om de vertekendeheid in de doeluitkomst te corrigeren.

4. Theoretische Resultaten

• Consistentie: De auteurs stellen vast dat de LIV-estimator consistent is voor het behandelings-effect onder de aanname dat de confounding bridge partieel lineair is (of goed benaderd wordt door dergelijke).
• Asymptotische Normaliteit en Bias-correctie: In navolging van het framework van Calonico et al. (2014), leidt het artikel de asymptotische bias van de naïeve estimator af wanneer MSE-optimale bandbreedtes worden gebruikt. De auteurs stellen een robuuste bias-gecorrigeerde inferentieprocedure voor. Ze tonen aan dat de estimator na bias-correctie asymptotisch normaal is met een snelheid van $n^{-2/5}$, wat de constructie van geldige betrouwbaarheidsintervallen en hypothesetests mogelijk maakt.

5. Belangrijkste Bijdragen en Betekenis

• Van Diagnose naar Correctie: De primaire bijdrage is de verschuiving van de rol van placebo-variabelen in RDD: van louter diagnostische instrumenten (om ongeldigheid te detecteren) naar actieve correctiemechanismen (om validiteit te herstellen).
• Puntidentificatie onder Manipulatie: In tegen tegenstelling tot eerdere benaderingen die alleen grenzen (bounds) bieden aan het behandelings-effect wanneer de lopende variabele gemanipuleerd wordt (bijv. Gerard et al., 2020), biedt dit artikel voorwaarden voor de puntidentificatie van het behandelings-effect in aanwezigheid van strategisch gedrag.
• Niet-parametrische Recovering: De methode herstelt het RDD-behandelings-effect niet-parametrisch, waardoor de noodzaak voor sterke parametrische aannames over de productiefunctie of de verdeling van onwaarneembaars (zoals vereist door andere methoden, bijv. Garicano et al., 2016) wordt vermeden.
• Praktische Implementatie: De voorgestelde estimator decomposeert in bekende RDD-componenten en een gewogen aanpassing, wat het computationeel hanteerbaar en interpreteerbaar maakt voor empirische onderzoekers. Het vermijdt de "vloek van dimensionaliteit" die vaak gepaard gaat met niet-parametrische schattingen met meerdere covariaten door een partieel lineaire benadering te gebruiken.

6. Claims en Beperkingen
De auteurs claimen bescheiden een nieuw identificatieresultaat en een nieuwe variatie van de lokale lineaire RDD-estimator te hebben geleverd. Zij erkennen dat de structurele aannames (met name het bestaan van de confounding bridge en de volledigheidsvoorwaarde) over het algemeen niet testbaar zijn, vergelijkbaar met standaard IV-aannames. De methode is afhankelijk van de beschikbaarheid van geldige placebo-variabelen die voldoen aan specifieke exclusie- en onafhankelijkheidsrestricties. Het artikel claimt niet alle vormen van RDD-ongeldigheid op te lossen, maar richt zich specifiek op situaties waarin strategische manipulatie leidt tot discontinuïteiten in ongeobserveerde confounders, een veelvoorkomend probleem in sociale wetenschappelijke toepassingen met betrekking tot overheidsuitkeringen of sociale programma's. Toekomstig werk wordt gesuggereerd om bias-bewuste inferentie en het gedrag van de estimator met zwakke proxies te verkennen.