Регрессия с разрывом

Регрессия с разрывом (англ. regression discontinuity design, RDD) — это квазиэкспериментальный метод оценки причинно-следственных связей, используемый в статистике, эконометрике и социальных науках. Он применяется в ситуациях, когда распределение единиц наблюдения (индивидов, регионов, фирм) относительно некоторого порогового значения (cutoff) определяется правилом, а не случайным образом. Основная идея метода заключается в сравнении исходов у единиц, находящихся непосредственно по разные стороны от этого порога, что позволяет оценить локальный средний эффект воздействия (LATE) вблизи точки разрыва.

История и происхождение

Концепция регрессии с разрывом была впервые формально описана в 1960 году американскими психологами Дональдом Кэмпбеллом и Джулианом Стэнли в книге «Экспериментальные и квазиэкспериментальные планы для исследований». Первоначально метод разрабатывался для оценки эффективности образовательных программ, где стипендии или дополнительные занятия назначались на основе строгих критериев (например, результатов тестов). Однако в течение десятилетий RDD оставался малоизвестным за пределами узкого круга специалистов.

Возрождение интереса к методу произошло в конце 1990-х — начале 2000-х годов, когда экономисты Дэвид Ли, Томас Лемье и другие доказали его состоятельность при определённых условиях. В 2010-х годах RDD стал одним из стандартных инструментов в эмпирической экономике, политологии и эпидемиологии, особенно после работ, показывающих, что дизайн с разрывом может давать результаты, близкие к рандомизированным контролируемым испытаниям (РКИ), если порог не подвержен манипуляции со стороны участников или администраторов.

Принцип работы

Пороговое правило (cutoff)

Ключевой элемент RDD — наличие непрерывной или дискретной переменной (называемой «присваивающей переменной» или running variable), которая определяет, попадает ли единица наблюдения в группу воздействия (treatment group) или в контрольную группу (control group). Порог (cutoff) — это заранее заданное значение этой переменной, при пересечении которого статус единицы меняется.

Например, если государственная программа предоставляет субсидии только домохозяйствам с доходом ниже 20 000 рублей в месяц, то:

• переменная — доход домохозяйства;
• порог — 20 000 рублей;
• единицы с доходом ниже порога получают субсидию (воздействие), а с доходом выше — нет.

Локальная рандомизация

В идеальном эксперименте единицы случайным образом распределяются на группы воздействия и контроля. В RDD строгой случайности нет, но в непосредственной близости от порога (например, с доходом 19 900 и 20 100 рублей) распределение единиц считается «почти случайным». Предполагается, что единицы, находящиеся чуть ниже и чуть выше порога, не имеют систематических различий в ненаблюдаемых характеристиках, кроме статуса воздействия. Таким образом, разница в средних исходах между этими двумя группами в точке порога интерпретируется как причинно-следственный эффект.

Оценка эффекта

Эффект воздействия (τ) в RDD оценивается как разрыв (discontinuity) в условном математическом ожидании исхода Y при значении присваивающей переменной X, равном порогу c:

τ = lim (x→c⁺) E[Y|X=x] — lim (x→c⁻) E[Y|X=x]

где:

• lim (x→c⁺) — предел справа (единицы, получившие воздействие);
• lim (x→c⁻) — предел слева (единицы, не получившие воздействие).

На практике для оценки используются непараметрические методы (например, локальная линейная регрессия) с ядерным взвешиванием, чтобы придать больший вес наблюдениям, близким к порогу. Выбор полосы пропускания (bandwidth) — ширины окна вокруг порога, в котором строится регрессия — критически важен и часто оптимизируется с помощью кросс-валидации.

Виды регрессии с разрывом

Острый дизайн (Sharp RDD)

В остром дизайне порог определяет статус воздействия абсолютно: все единицы по одну сторону от порога получают воздействие, все по другую — нет. Вероятность получения воздействия меняется с 0 до 1 в точке порога. Этот тип RDD наиболее прост в интерпретации и требует наименьшего количества допущений.

Нечёткий дизайн (Fuzzy RDD)

В нечётком дизайне порог влияет на вероятность получения воздействия, но не гарантирует его. Например, программа может быть доступна всем, кто имеет доход ниже порога, но не все такие индивиды решают в ней участвовать. В этом случае разрыв в вероятности воздействия в точке порога используется как инструментальная переменная (instrumental variable) для оценки эффекта. Нечёткий RDD требует более сложных статистических методов (двухшаговая оценка, метод моментов), но применим в более реалистичных сценариях, где соблюдение правил не является строгим.

Условия валидности

Для корректной оценки причинно-следственного эффекта метод RDD требует выполнения нескольких ключевых условий:

1. Непрерывность условных плотностей. Распределение присваивающей переменной должно быть непрерывным в точке порога. Если единицы могут манипулировать своим положением относительно порога (например, занижать доход для получения субсидии), то оценка становится смещённой. Для проверки этого условия проводится тест МакКрари (McCrary test) на наличие скачка плотности в точке порога.

1. Непрерывность потенциальных исходов. В отсутствие воздействия условное математическое ожидание исхода должно быть непрерывной функцией от присваивающей переменной в точке порога. Это означает, что никакие другие факторы, кроме воздействия, не должны меняться скачкообразно на пороге.

1. Отсутствие манипуляции. Участники или администраторы не должны иметь возможности точно контролировать значение присваивающей переменной вблизи порога. Если манипуляция возможна, то единицы по разные стороны от порога могут систематически различаться, что нарушает предположение о локальной рандомизации.

1. Правильная спецификация функциональной формы. Модель регрессии должна адекватно описывать связь между присваивающей переменной и исходом. Использование полиномов высоких порядков может привести к переобучению, а линейных моделей — к смещению, если истинная зависимость нелинейна.

Применение

Экономика и государственная политика

RDD широко используется для оценки эффективности государственных программ. Например, в США метод применялся для анализа влияния стипендий Пелла (Pell Grants) на успеваемость студентов, где порогом служил индекс ожидаемого семейного взноса. В России аналогичные исследования проводились для оценки воздействия материнского капитала на рождаемость, где порогом выступала дата рождения второго ребёнка (до или после 1 января 2007 года).

Образование

В образовательных исследованиях RDD часто применяется для оценки влияния дополнительных занятий или репетиторства на результаты экзаменов. Порогом может быть предварительный балл, ниже которого ученик направляется на коррекционные программы. Исследования показывают, что такие программы могут иметь как положительный, так и нулевой эффект в зависимости от контекста.

Медицина и эпидемиология

В медицинских исследованиях RDD используется для оценки эффективности лекарств или процедур, когда назначение лечения основано на строгих клинических критериях. Например, если препарат назначается пациентам с уровнем холестерина выше 5 ммоль/л, то сравнение исходов у пациентов с уровнем 4,9 и 5,1 ммоль/л позволяет оценить эффект лечения, не прибегая к рандомизации.

Политология

В политологии RDD применяется для анализа влияния результатов выборов на последующие политические решения. Например, изучается, как победа кандидата от определённой партии с небольшим перевесом (менее 1% голосов) влияет на экономическую политику региона. Порогом здесь служит 50% голосов (или другой порог для победы).

Ограничения и критика

Несмотря на свою популярность, метод RDD имеет ряд ограничений:

• Внешняя валидность. RDD оценивает только локальный эффект воздействия вблизи порога. Этот эффект может не распространяться на единицы, далёкие от порога. Например, эффект стипендии для студентов с доходом чуть ниже порога может сильно отличаться от эффекта для студентов с очень низким доходом.
• Чувствительность к выбору полосы пропускания. Результаты могут существенно меняться в зависимости от того, какая ширина окна вокруг порога используется. Разные методы выбора полосы (кросс-валидация, правило Сильвермана) могут давать разные оценки.
• Необходимость большого объёма данных. Для получения статистически значимых результатов вблизи порога требуется большое количество наблюдений. Если данных мало, доверительные интервалы становятся широкими, а оценки — неустойчивыми.
• Манипуляция порогом. Если участники или администраторы могут влиять на значение присваивающей переменной, RDD становится невалидным. Например, если учителя завышают оценки ученикам, чтобы те получили стипендию, то порог перестаёт быть экзогенным.
• Сложность интерпретации в нечётком дизайне. В нечётком RDD эффект воздействия оценивается только для «комплайеров» (единиц, которые меняют свой статус под влиянием порога). Это может не соответствовать эффекту для всей популяции.

Пример из практики

В 2010 году группа экономистов под руководством Дэвида Ли исследовала влияние членства в профсоюзе на заработную плату работников в США, используя RDD. Порогом служил результат голосования на выборах профсоюза: если за создание профсоюза проголосовало 50% + 1 голос, он создавался, если меньше — нет. Сравнивая заводы, где профсоюз был создан с минимальным перевесом, и заводы, где он не был создан с минимальным отставанием, исследователи оценили, что членство в профсоюзе увеличивает зарплату в среднем на 10–15%. Этот результат считается одним из наиболее надёжных в эмпирической экономике труда.

Источники

• Campbell, D. T., & Stanley, J. C. (1963). Experimental and Quasi-Experimental Designs for Research. Houghton Mifflin.
• Lee, D. S., & Lemieux, T. (2010). Regression Discontinuity Designs in Economics. Journal of Economic Literature, 48(2), 281–355.
• Imbens, G. W., & Lemieux, T. (2008). Regression discontinuity designs: A guide to practice. Journal of Econometrics, 142(2), 615–635.
• Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2019). A Practical Introduction to Regression Discontinuity Designs: Foundations. Cambridge University Press.
• McCrary, J. (2008). Manipulation of the running variable in the regression discontinuity design: A density test. Journal of Econometrics, 142(2), 698–714.