回帰不連続デザイン

回帰不連続デザイン（RDD）

回帰不連続デザイン（Regression Discontinuity Design, RDD）は、さまざまな分野において因果効果を評価するための準実験的手法です。この手法は特定の閾値を基にした介入を行い、その効果を観測データから推測します。簡単に言うと、特定の基準を超えた場合にのみ介入が行われる状況を考慮し、直近の左右の観測値を比較することで、介入がもたらす効果を明らかにするものです。

基本的な考え方

回帰不連続デザインの背後には、比較のために選ばれたサンプルがある特定の境界周辺に位置する点に注目する考え方があります。例えば、成績優秀者向けの奨学金制度を考えた場合、80%という成績の閾値を設け、その基準を満たす学生は奨学金を受け取ることができます。このとき、80%の成績を僅かに下回る学生（79%）と僅かに上回る学生（81%）は、それぞれの特性においてほとんど同じであると仮定できますが、奨学金の影響を受けることによって成績が異なると見なされます。

この方法により、奨学金を受けた学生と受けなかった学生の成績を比較することができ、奨学金が本当に成績に貢献しているのかどうかを明らかにする助けになります。特に、この境界線付近での非連続的な変化を利用するため、よく似た背景を持つ二つのグループの成績を比べることで、局所的な平均処置効果を推定可能になります。

方法論

回帰不連続デザインを用いる推定手法には、主にノンパラメトリックとパラメトリックの二つのアプローチがあります。

ノンパラメトリック推定

この手法では、局所線形回帰が一般的に用いられます。局所線形回帰は、カットオフ点の近くのデータに基づいて推定を行うため、非連続性を適切に捉えることができます。式は次のように表現されます。

$$
Y = α + τD + β_1(X-c) + β_2D(X-c) + ε
$$

ここで、$c$はカットオフ点、$D$はバイナリ変数であり、$X$がカットオフ点以上なら1、それ以下なら0を取ります。このモデルにより、カットオフの両側でデータを適切にフィットさせ、局所的な変化を捕らえることができます。

パラメトリック推定

一方、パラメトリックな方法では通常、多項式回帰が使われます。これらの手法はカットオフの周辺だけでなく、全体のデータを考慮することで、推定の精度を上げることができます。

必要な仮定と検定

回帰不連続デザインを正しく適用するためには、処置の割り当てができるだけランダムである必要があります。つまり、処置状態を決定する際には、他の変数が影響しないようにする必要があります。検定手法としては、密度検定や連続性の確認などが提案されています。これにより、処置が適切に割り当てられているかどうかを確認できます。

長所と短所

回帰不連続デザインの利点は、局所的な処置効果を推定する際に高い精度を誇る点です。また、事前にランダム化を必要とせず、倫理的な問題を避けることができます。一方で、統計的な検出力が低く、誤った推定のリスクがあるため、モデル化の精度が必要です。また、外的な要因が結果に影響を与える場合も考慮しなければなりません。

まとめ

回帰不連続デザインは、介入の因果効果を実証的に評価するための強力な手法であり、そこから得られる局所的な処置効果は、実際の結果を解明するうえで重要な示唆を提供します。正確な検定と注意深いモデル化を伴う限り、非常に効果的なアプローチとなります。

もう一度検索