📊 Как изучать гетерогенность эффектов в разрывной регрессии?

Как мы уже писали ранее, стандартный разрывный дизайн (RDD) отлично подходит для оценки среднего эффекта, а еще можно перейти от оценки среднего эффекта к изменениям в распределении результирующей переменной

А что если средний эффект варьируется между разными группами — например, по полу, доходу, уровню образования?

🆕 В препринте, вышедшем в марте, Себастьян Калонико (UC Davis), Матиас Каттанео (Princeton), Макс Фаррелл (UC Santa Barbara), Филиппо Паломба (Princeton) и Росио Титиуник (Princeton) впервые предложили системный подход к анализу гетерогенности эффектов в разрывной регрессии (Calonico et al, 2025)

↔️ А раньше не было оценки гетерогенности в RDD?
🟤Действительно, похожие подходы вы уже могли видеть в разных прикладных работах
🟤Но заслуга авторов состоит в том, что теперь этот результат подкреплен теорией, строгой идентификацией, корректными доверительными интервалами и правилом выбора оценочного окна

↔️ Что предлагают авторы?
🟤Исследователи предлагают использовать локальную линейную регрессию с взаимодействием (произведениями) между индикатором воздействия и ковариатами
🟤Это даёт возможность оценить, как эффект воздействия отличается у разных подгрупп
🟤Важно! Если вы используете бинарные ковариаты, эффект можно идентифицировать без дополнительных предпосылок. Для непрерывных ковариат требуется предположить линейную зависимость эффекта от переменной (но также можно использовать полиномы)

🖥 Открытый пакет rdhte
Матиас Каттанео и Росио Титиуник продолжают добрую традицию и радуют нас очередным пакетом для имплементации разрывной регрессии
🔗 Исследование: arXiv
🔗 Документация пакета: Github и RD Packages

P.S. Продвинутому и любознательному читателю мы предлагаем также заглянуть в препринт (Alcantara et al., 2025), где авторы показывают, как оценивать гетерогенные эффекты в разрывном дизайне, используя байесовские подходы

#канал_обозревает
#канал_рекомендует
@causal_channel