Chapter IV

Regression Discontinuity Designs (RDD)

 Ni Kadek Riantika
01 (2007511059 )

Ni Putu Intan Febriani Putri

02 ( 2007511060 )

I Kadek Adi Murwahana

03 ( 2007511061 )
Pokok Pembahasan

1. Usia dan Kematian

2. Gambar 4.1 dan 4.2
3. RD tajam
4. Persamaan 4.1 dan 4.2
5. Spesifikasi RD
6. Gambar 4.3 sampai 4.5
7. Tabel 4.1
8. Fuzzy RD
9. Fuzzy RD Is IV
1. Usia dan Kematian

Usia Anda yang kedua puluh satu adalah tonggak penting. Orang
Amerika yang berusia di atas 21 tahun dapat minum secara legal,
“akhirnya,” kata beberapa orang. Tentu saja, mereka yang di bawah
umur juga minum. Seperti yang kita pelajari dari eksploitasi Boon dan
saudara-saudaranya. Dalam upaya untuk mengatasi masalah sosial dan
kesehatan masyarakat yang terkait dengan minum di bawah umur,
sekelompok rektor perguruan tinggi Amerika telah menghimbau negara
bagian untuk mengembalikan usia minimum legal minum (MLDA) ke
ambang Vietnamera 18.
Gambar 4.1
Usaha dan Kematian

Risiko kematian meningkat pada dan

segera setelah ulang tahun kedua puluh
satu, sebuah fakta yang terlihat dalam
lonjakan kematian harian yang nyata
pada hari-hari ini.
 GAMBAR 4.2
Perkiraan RD yang tajam dari
efek kematian MLDA
 3. RD tajam
Kisah yang menghubungkan MLDA dengan peningkatan tajam dan
berkelanjutan dalam angka kematian diceritakan dalam Gambar 4.2. Angka
ini menggambarkan tingkat kematian (diukur sebagai kematian per 100.000
orang per tahun) menurut usia bulan (didefinisikan sebagai interval 30 hari),
berpusat di sekitar usia kedua puluh satu. Sumbu X memanjang 2 tahun di
kedua arah, dan setiap titik pada gambar adalah tingkat kematian dalam satu
interval bulanan. Angka kematian berfluktuasi dari bulan ke bulan, tetapi
hanya sedikit angka di sebelah kiri batas usia-21 yang di atas 95.
 4. Persamaan 4.1

• Representasi ini menyoroti dua fitur sinyal dari desain

RD:
• Status pengobatan adalah fungsi deterministik dari a,
sehingga setelah kita mengetahui a, kita mengetahui Da
• Status pengobatan adalah fungsi diskontinu dari a, karena
tidak peduli seberapa dekat a sampai ke cutoff, Da tetap
tidak berubah sampai cutoff tercapai.
 Persamaan 4.2
Sebuah Analisis RD sederhana dari MLDA memperkirakan
efek kausal menggunakan regresi seperti :
5. Spesifikasi RD

● Alat RD tidak dijamin menghasilkan perkiraan

kausal yang andal. Gambar 4.3 menunjukkan
mengapa tidak. Pada panel A, hubungan antara
variabel yang berjalan (X) dan hasil (Y) adalah
linier, dengan lompatan yang jelas pada ELY |X]
pada nilai batas setengah. Panel B terlihat
serupa, kecuali bahwa hubungan antara rata-rata
Y dan X adalah nonlinier. Namun, lompatan
pada X = 0,5 terlihat jelas. Panel C dari Gambar
4.3 menyoroti tantangan yang dihadapi desainer
RD.
6. Gambar 4.3 sampai 4.5

Catatan: Panel A menunjukkan

RD dengan model linier untuk
E[YXl: panel B menambahkan
beberapa kelengkungan. Panel
C menunjukkan nonlinier yang
disalahartikan sebagai
diskontinuitas. Garis putus-
putus vertikal menunjukkan
cutoff RD hipotetis.
Model pertama nonlinier secara langsung, sedangkan yang kedua hanya berfokus pada
pengamatan di dekat cutoff. Kita mulai dengan strategi pemodelan nonlinier, secara singkat
mengambil pendekatan kedua di akhir bagian ini.Nonlinier dalam kerangka RD biasanya
dimodelkan menggunakan fungsi polinomial dari variabel yang sedang berjalan. Idealnya, hasil
yang muncul dari pendekatan ini tidak sensitif terhadap tingkat nonlinier yang dimungkinkan
oleh model. Namun, terkadang, seperti dalam kasus panel C pada Gambar 4.3, tidak demikian.
Pertanyaan tentang berapa banyak nonlinier cukup membutuhkan panggilan penilaian. Risikonya
di sini adalah Anda akan memilih model yang menghasilkan hasil yang tampak paling menarik,
mungkin lebih menyukai model yang paling sesuai dengan prasangka Anda. Oleh karena itu,
praktisi RD berutang kepada pembaca mereka laporan tentang bagaimana perkiraan RD mereka
berubah ketika rincian model regresi yang digunakan untuk membangunnya berubah.
Gambar 4.2 menunjukkan kemungkinan kelengkungan ringan dalam hubungan antara Ma dan a,
setidaknya untuk titik-titik di sebelah kanan cutoff. Ekstensi sederhana yang menangkap
kelengkungan ini menggunakan kontrol kuadratik alih-alih linier untuk variabel yang sedang
berjalan. Model RD dengan kontrol variabel quadratic running menjadi :

dimana Y1^a+ Y2a² adalah fungsi kuadrat dari usia, dan ys adalah parameter yang akan diestimasi.
Modifikasi terkait memungkinkan koefisien variabel berjalan yang berbeda ke kiri dan kanan cutoff.
Modifikasi ini menghasilkan model yang berinteraksi a dengan Da.Untuk membuat model dengan interaksi
lebih mudah diinterpretasikan, kami memusatkan variabel yang sedang berjalan dengan mengurangi cutoff,
ao. Mengganti a dengan a-a0 (disini, a0 = 21), dan menambahkan suku interaksi, (a - a0)Da, model RD
menjadi

Memusatkan variabel yang berjalan memastikan bahwa p dalam persamaan (4.3) masih merupakan lompatan
dalam hasil rata-rata pada titik potong (seperti yang dapat dilihat dengan menetapkan a = ao dalam
persamaan).
Sebuah implikasi halus dari model dengan istilah interaksi adalah bahwa jauh dari
cutoff ao, efek pengobatan MLDA diberikan oleh p + 8(ao). Hal ini dapat dilihat
dengan mengurangkan kecocokan garis regresi dengan pengamatan di mana Da
dimatikan dari kecocokan garis ke pengamatan di mana Da dihidupkan:
Tren nonlinier dan perubahan kemiringan pada
cutoff juga dapat digabungkan dalam model yang
terlihat seperti

Dalam pengaturan ini, baik istilah linier dan kuadrat berubah saat kita
melewati batas. Seperti sebelumnya, lonjakan angka kematian pada
batas MLDA ditangkap oleh efek pengobatan MLDA, hal. Efek
perlakuan dari cutoff sekarang menjadi p + 8₁ (aa) + 8₂(a - a)²,
meskipun sekali lagi interpretasi kausal dari kuantitas ini lebih
spekulatif daripada interpretasi kausal dari p itu sendiri.
Gambar 4.4 menunjukkan bahwa fungsi tren yang diestimasi yang dihasilkan oleh
persamaan (4.4) memiliki beberapa kelengkungan, agak cekung di sebelah kiri usia 21
dan sangat cembung setelahnya. Model ini menghasilkan perkiraan yang lebih besar
dari efek MLDA pada batas waktu daripada model linier, sama dengan sekitar 9,5
kematian per 100.000. Gambar 4.4 juga menunjukkan garis tren linier yang dihasilkan
oleh persamaan (4.2). Model yang lebih rumit tampaknya lebih cocok daripada model
sederhana: Angka kematian melonjak tajam pada usia 21, tetapi kemudian agak pulih
dalam beberapa bulan pertama setelah ulang tahun kedua puluh satu. Ini menggemakan
lonjakan angka kematian harian pada atau sekitar ulang tahun kedua puluh satu yang
terlihat pada Gambar 4.1. Tidak seperti Boon dan saudara-saudaranya, banyak
peminum yang baru dilegalkan tampaknya akhirnya bosan dibuang setiap malam.
Spesifikasi (4.4) menangkap lompatan-dan-penurunan ini dengan baik, meskipun
dengan mengorbankan beberapa kemewahan teknis.
Catatan: Angka ini memplot angka kematian dari semua penyebab terhadap usia
dalam bulan. Garis putus-putus pada gambar menunjukkan nilai yang sesuai dari
regresi tingkat kematian pada boneka berusia di atas 21 tahun dan usia dalam
beberapa bulan. Garis solid memplot nilai yang sesuai dari regresi kematian pada
boneka di atas 21 dan kuadrat dalam usia, berinteraksi dengan boneka berusia di atas
21 tahun (garis putus-putus vertikal menunjukkan batas usia minimum legal untuk
minum (MLDA)).
 Seberapa meyakinkan argumen bahwa lompatan pada Gambar 4.4
memang karena minum?

Data tentang tingkat kematian berdasarkan penyebab

kematian membantu kami membuat kasus ini.
Meskipun alkohol beracun, hanya sedikit orang yang
meninggal karena keracunan alkohol, dan kematian
akibat penyakit terkait alkohol hanya terjadi pada usia
yang lebih tua.
Gambar 4.5 memplot nilai pas untuk kematian MVA, dibangun menggunakan model yang menghasilkan
perkiraan di kolom (2) Tabel 4.1. Angka tersebut menunjukkan penembusan yang jelas pada batas MLDA,
tanpa bukti tren nonlinier yang berpotensi menyesatkan. Pada saat yang sama, tidak banyak lonjakan kematian
karena penyebab internal, sementara kesalahan standar pada Tabel 4.1 menunjukkan bahwa lompatan kecil
kematian internal yang terlihat pada gambar kemungkinan karena kebetulan.
Prosedur ekonometrik yang membuat trade-off ini
adalah RD nonparametrik. Jumlah RD nonparametrik
untuk memperkirakan persamaan (4.2) di jendela
sempit di sekitar cutoff. Artinya, kami memperkirakan
 Cukup sederhana! Tapi bagaimana kita memilih bandwidth? Di satu sisi, untuk meniadakan
kekhawatiran tentang pilihan polinomial, kami ingin bekerja dengan data yang mendekati batas.
Di sisi lain, lebih sedikit data berarti kurang presisi. Sebagai permulaan, oleh karena itu,
bandwidth harus bervariasi sebagai fungsi dari ukuran sampel. Semakin banyak informasi yang
tersedia tentang hasil di sekitar cutoff RD, semakin sempit kita dapat mengatur bandwidth
sambil tetap berharap untuk menghasilkan perkiraan yang cukup tepat untuk berguna. Ahli
ekonometrika teoretis telah mengusulkan strategi canggih untuk membuat pertukaran bias-
varians seperti itu secara efisien, meskipun di sini juga, algoritma pemilihan bandwidth tidak
sepenuhnya bergantung pada data dan mengharuskan peneliti untuk memilih parameter tertentu.
Dalam praktiknya, pilihan bandwidth seperti pilihan polinomial dalam model parametrik-
memerlukan panggilan penilaian. Tujuannya di sini bukan untuk menemukan satu bandwidth
yang sempurna, melainkan untuk menunjukkan bahwa temuan yang dihasilkan oleh pilihan
bandwidth tertentu bukanlah suatu kebetulan.
 8. Fuzzy RD

Gambar 4.6-4.8, yang berfokus pada pelamar BLS, membantu kami

menyusun jawaban. Pelamar BLS, seperti semua orang yang
menginginkan kursi sekolah ujian di Boston, mengikuti Ujian Masuk
Sekolah Independen (disingkat ISEE). Sampel yang digunakan untuk
menyusun angka-angka ini terdiri dari pelamar dengan skor ISEE di dekat
batas masuk BLS.
 9. Fuzzy RD Is IV

Dalam ritus peralihan, ilmuwan sosial di seluruh dunia menghubungkan

prestasi siswa dengan kemampuan rata-rata teman sekolah mereka.
Regresi semacam itu secara andal mengungkapkan hubungan yang
kuat antara kinerja siswa dan pencapaian rekan-rekan mereka.
Terima kasih