Non-parametric Causal Inference in Dynamic Thresholding Designs

Technische Samenvatting: Niet-parametrische Causale Inferentie in Dynamische Drempelontwerpen

Probleemstelling
Regressie-discontinuïteits (RD) ontwerpen zijn een standaardinstrument voor niet-parametrische causale inferentie in statische settings, waarbij behandeling wordt toegewezen op basis van of een lopende variabele een vaste drempel overschrijdt. Veel ingrijpende beslissingen in de gezondheidszorg, het onderwijs en het openbare beleid vinden echter plaats in dynamische settings, waarbij de lopende variabele in de tijd evolueert en wordt beïnvloed door eerdere behandelingen. Bijvoorbeeld: het bloedsuikerniveau van een patiënt (de lopende variabele) in een volgend jaar hangt af van of zij in het voorgaande jaar levensstijlinterventies (behandeling) hebben ontvangen.

De bestaande RD-literatuur richt zich op cross-sectionele settings waarin eenheden één keer behandeling ontvangen. De directe toepassing van standaard RD-methoden op dynamische settings faalt omdat:

1. Eerdere behandelingen de verdeling van toekomstige lopende variabelen veranderen, waardoor complexe feedbacklussen ontstaan.
2. Het definiëren van causale schattingsgrootheden voor elke mogelijke behandelingsgeschiedenis leidt tot een "vloek van de dimensionaliteit" naarmate de tijds horizon groeit.
3. Reduced-form benaderingen (bijvoorbeeld het regresseren van toekomstige uitkomsten op de initiële lopende variabele) het volledige dynamische behandelingseffect niet vatten en niet direct interpreteerbaar zijn als beleidsrelevante parameters.

Methodologie
De auteurs stellen een kader voor niet-parametrische causale inferentie in dynamische drempelontwerpen voor dat rekening houdt met behandeldynamiek zonder restrictieve parametrische aannames op te leggen.

• Doel-Schattingsgrootheid (Marginale Beleidsimpact): Het artikel herinterpreteert de klassieke RD-schattingsgrootheid niet louter als het lokale gemiddelde behandelingseffect (LATE) bij de cutoff, maar als een marginale beleidsimpact. Specifiek wordt deze gedefinieerd als de verhouding van de afgeleide van de verwachte gedisconteerde welvaart (waardefunctie) met betrekking tot de drempel $c$, tot de afgeleide van de verwachte gedisconteerde behandelingsfrequentie met betrekking tot $c$:
  $$\tau^{RD} := \frac{\partial V^Y(\pi_c)}{\partial c} \Big/ \frac{\partial V^A(\pi_c)}{\partial c}$$
  waarbij $V^Y$ en $V^A$ respectievelijk de netto-huidige verwachte uitkomsten en behandelingsaantallen vertegenwoordigen onder beleid $\pi_c$. Deze verhouding karakteriseert de kosten-batenafweging van het marginaal verlagen van de drempel.

• Identificatie via Q-functies: Aansluitend bij versterkingslering (RL) en Markov-beslissingsprocessen (MDP's) maken de auteurs gebruik van de Q-functie (actie-waarde functie) om de beleidsgradiënten te identificeren. Zij tonen aan dat onder de g-formule (die geldt als het systeem een Markov-structuur volgt, zelfs met niet-gewaarnomen toestanden), de beleidsgradiënten kunnen worden uitgedrukt als een gedisconteerde som van Q-functieverschillen bij de drempel, gewogen door de conditionele dichtheid van de lopende variabele.
  $$-\frac{\partial V^Y(\pi_c)}{\partial c} = \sum_{t=0}^T \gamma^t E\left[ (Q^Y_{c,t}(S_t, c, 1) - Q^Y_{c,t}(S_t, c, 0)) f_t(c | S_t) \right]$$
  Deze karakterisering maakt het mogelijk dat het dynamische marginale beleidsimpact wordt geïdentificeerd met behulp van data die bij een enkele status-quo-drempel zijn verzameld.

• Schatting (Twee keer gedisconteerde Lokale Lineaire Regressie): Om $\tau^{RD}$ te schatten, stellen de auteurs een op maat gemaakt lokaal lineair regressie (LLR)-schatter voor. In tegenstelling tot standaard statische RD, doet deze schatter het volgende:

  1. Gebruikt gedisconteerde sommen van toekomstige uitkomsten ($\Gamma^Y_{i,t}$) en behandelingen ($\Gamma^A_{i,t}$) als afhankelijke variabelen, in plaats van directe uitkomsten. Dit benadert de Q-functies en verwerkt langetermijneffecten stroomafwaarts.
  2. Past temporele disconteringsgewichten ($\gamma^t$) toe op de observaties, wat de structuur van de beleidsgradiëntstelling weerspiegelt.
  3. Bevat tijdseffecten om tijdspecifieke verschuivingen die gemeenschappelijk zijn voor alle eenheden op te vangen, waardoor de asymptotische variantie wordt verminderd.
  4. Neemt een verhoudingsvorm ($\hat{\tau}^Y / \hat{\tau}^A$), analoog aan vage RD-schatters, om rekening te houden met de onzekerheid over hoe het veranderen van de drempel de toekomstige behandelingsfrequentie beïnvloedt.

Belangrijkste Resultaten

• Consistentie: Onder standaard regulariteitsvoorwaarden (continuïteit van conditionele responsfuncties en dichtheden bij de cutoff, gladheid van Q-functies) is de voorgestelde schatter consistent voor het dynamische marginale beleidsimpact $\tau^{RD}$.
• Asymptotische Verdeling: De schatter bereikt de standaard niet-parametrische convergentiesnelheid van $n^{-2/5}$ (met bandbreedte $h_n \sim n^{-1/5}$). De asymptotische variantie aggregeert onzekerheid over alle tijdsperiodes, gewogen met $\gamma^{2t}$.
• Variantieschatting: De auteurs stellen een geclusterde sandwichvariantieschatter per eenheid voor die consistent de asymptotische variantie schat, rekening houdend met willekeurige afhankelijkheid in de tijd binnen een traject.
• Bandbreedtekeuze: Een datagedreven bandbreedtekeuzeregel is afgeleid, die de methode van Imbens-Kalyanaraman (2012) uitbreidt naar de dynamische setting door gebruik te maken van geresidualiseerde uitkomsten en variantieschattingen per geclusterde eenheid.

Empirische Validatie
De auteurs valideren hun aanpak via twee numerieke experimenten:

1. Autoregressieve Simulator: Een gestileerd proces voor het genereren van data waarbij de toestand evolueert op basis van eerdere behandelingen. De voorgestelde methode herstelt correct het dynamische marginale beleidsimpact, terwijl standaard LLR (gericht op partiële evenwichtseffecten) en naïeve langetermijn-LLR (die toekomstige drempeloverschrijdingen negeert) geen geldige inferentie bieden of aanzienlijke vertekening vertonen.
2. UVa/Padova Type-1 Diabetes Simulator: Met behulp van een door de FDA-goedgekeurde simulator voor continue glucosemonitoring, emuleren de auteurs een dynamische drempelregel voor insuline-toediening. De voorgestelde methode behoudt de nominale dekking voor betrouwbaarheidsintervallen over verschillende disconteringsfactoren, terwijl concurrerende methoden ofwel ernstig onderdekken (standaard LLR) ofwel oninformatieve, extreem brede intervallen produceren (naïeve langetermijn-LLR).

Betekenis en Claims
Het artikel claimt de eerste niet-parametrische causale inferentieresultaten te leveren voor dynamische drempelontwerpen met een generaliteit die vergelijkbaar is met standaard cross-sectionele RD-resultaten.

• Beleidsrelevantie: Door de schattingsgrootheid te kaderen als een marginale beleidsimpact, maakt de aanpak directe kosten-batenanalyses voor middelenallocatie mogelijk (bijvoorbeeld het bepalen of een drempel voor gezondheids screenings moet worden verlaagd).
• Robuustheid: De methode vermijdt de restrictieve parametrische aannames die nodig zijn bij eerdere dynamische RD-benaderingen (bijvoorbeeld Cellini et al., 2010) en de sterke conditionele onafhankelijkheidsaannames die door anderen worden vereist (bijvoorbeeld Hsu en Shen, 2024).
• Theoretische Brug: Het werk overbrugt de literatuur over regressie-discontinuïteitsontwerpen met versterkingslering en beleidsgradiëntstellingen, en toont aan dat beleidsgradiëntconcepten kunnen worden aangepast voor observationele causale inferentie in settings met temporele interferentie.

De auteurs merken op dat, hoewel hun specifieke lokale lineaire regressieschatter consistent is, vragen blijven bestaan over de efficiëntie van andere algoritmen en de aanpassing van bias-bewuste inferentieprocedures (zoals Calonico et al., 2014) aan de dynamische setting.