روش ناپیوستگی رگرسیون یا Regression Discontinuity
مقدمه
در ارزیابی مداخلات اجتماعی، اقتصادی یا آموزشی، یکی از دشوارترین پرسش‌ها این است که «آیا تغییر مشاهده‌شده واقعاً ناشی از مداخله بوده است؟» وقتی نمی‌توانیم افراد را به‌صورت تصادفی به گروه مداخله و گروه کنترل تخصیص دهیم، روش‌های شبه‌تجربی به کمک می‌آیند. روش ناپیوستگی رگرسیون (Regression Discontinuity Design) یکی از این روش‌هاست که به‌ویژه زمانی ارزشمند می‌شود که تخصیص مداخله بر اساس یک قاعده قطعی و آستانه‌ای صورت گیرد. این روش به ارزیاب امکان می‌دهد بدون تصادفی‌سازی، تخمینی معتبر از اثر علّی مداخله برای گروهی خاص از افراد به دست آورد.
روش ناپیوستگی رگرسیون چیست؟
روش ناپیوستگی رگرسیون (Regression Discontinuity) یک طرح شبه‌تجربی است که از جهش دریافت مداخله یا احتمال دریافت آن در یک آستانهٔ از پیش تعیین‌شده استفاده می‌کند. در طرح قطعی با متغیر تخصیص پیوسته که این تعریف مقدماتی بر آن تمرکز دارد، یک سوی آستانه مداخله را دریافت می‌کند و سوی دیگر دریافت نمی‌کند؛ قاعده باید وضعیت مقدار دقیقاً برابر با آستانه را نیز روشن کند. طرح فازی و متغیر تخصیص گسسته به مفروضات و برآورد متناسب نیاز دارند. در رویکرد مبتنی بر پیوستگی، فرض می‌شود میانگین پیامدهای بالقوه در غیاب تغییر دریافت مداخله، در آستانه پیوسته باشد. در صورت اعتبار این فرض و نبود تغییر هم‌زمان دیگری در آستانه، جهش پیامد می‌تواند اثر محلی مداخله را شناسایی کند. نزدیک بودن نمره‌ها به‌تنهایی یکسان بودن همهٔ ویژگی‌ها را تضمین نمی‌کند.
خروجی اصلی این روش یک تخمین کمّی از اثر مداخله برای افرادی است که در همسایگی آستانه قرار دارند. سؤال اصلی که پاسخ می‌دهد این است: «آیا عبور از آستانه تخصیص، تغییری معنادار در پیامد ایجاد کرده است؟»
این روش چه مسئله‌ای را در ارزیابی حل می‌کند؟
در بسیاری از برنامه‌ها، تخصیص مداخله بر اساس یک شاخص قابل اندازه‌گیری مانند نمره آزمون، درآمد، سن یا شاخص نیاز صورت می‌گیرد. مشکل اصلی این است که مقایسه ساده دریافت‌کنندگان و غیردریافت‌کنندگان به سوگیری انتخاب می‌انجامد؛ زیرا دریافت‌کنندگان معمولاً با غیردریافت‌کنندگان تفاوت‌های سیستماتیک دارند. برای مثال، اگر کمک‌هزینه تحصیلی به دانش‌آموزانی داده شود که نمره بالاتری کسب کرده‌اند، مقایسه پیشرفت تحصیلی آن‌ها با دانش‌آموزانی که کمک‌هزینه نگرفته‌اند، ممکن است تفاوت اولیهٔ توانایی دو گروه را با اثر کمک‌هزینه درهم بیامیزد؛ جهت و اندازهٔ سوگیری بدون مفروضات بیشتر معلوم نیست.
روش ناپیوستگی رگرسیون این مشکل را با محدود کردن مقایسه به افرادی که دقیقاً در دو طرف آستانه قرار دارند حل می‌کند. این افراد از نظر متغیر تخصیص تقریباً یکسان‌اند و این شباهت در متغیر تخصیص، مبنای مقایسهٔ محلی است؛ اعتبار آن باید با قاعدهٔ تخصیص، پیوستگی پیامدهای بالقوه و نبود مرتب‌سازی دقیق افراد حول آستانه توجیه شود.
چه زمانی از روش ناپیوستگی رگرسیون استفاده کنیم؟
این روش در شرایط زیر مناسب است:
تصادفی‌سازی به دلایل اخلاقی، عملی یا سیاسی ممکن نیست.
یک متغیر تخصیص و آستانهٔ معتبر وجود دارد. در طرح قطعی (Sharp)، دریافت مداخله در آستانه از صفر به یک تغییر می‌کند؛ در طرح فازی (Fuzzy)، فقط احتمال دریافت جهش می‌کند و مفروضات و برآورد متفاوتی لازم است.
متغیر تخصیص به‌طور دقیق و بدون خطا ثبت شده است.
ارزیاب می‌تواند پیامد را برای افرادی در دو طرف آستانه اندازه‌گیری کند.
هدف اصلی، برآورد اثر مداخله برای افرادی است که در نزدیکی آستانه قرار دارند، نه تعمیم به کل جمعیت.
ارتباط روش با نظریه تغییر
نظریهٔ تغییر می‌تواند منطق مورد انتظار برنامه را روشن کند؛ RDD برای برآورد اثر محلی به قاعده و مفروضات شناسایی خود متکی است و به‌تنهایی تمام سازوکار را شناسایی نمی‌کند. برای مثال، اگر برنامه‌ای بر اساس نمره آزمون، دانش‌آموزان را وارد یک دوره آموزشی ویژه می‌کند، نظریه تغییر می‌گوید که این دوره از طریق افزایش تمرین و بازخورد، نمره بعدی را بهبود می‌بخشد. روش ناپیوستگی رگرسیون فقط وجود یک ناپیوستگی در نمره بعدی را بررسی می‌کند؛ اینکه این ناپیوستگی دقیقاً از کدام مکانیزم ناشی شده، نیازمند شواهد تکمیلی است. بنابراین، این روش می‌تواند در کنار تحلیل‌های نظریه‌محور به کار رود، اما خود به‌تنهایی نظریه تغییر را آزمون نمی‌کند.
چگونه از روش ناپیوستگی رگرسیون استفاده کنیم؟
استفاده از این روش معمولاً شامل مراحل زیر است:
تعیین سؤال ارزیابی: مشخص کنید چه اثر علّی‌ای را می‌خواهید برآورد کنید و پیامد اصلی چیست.
شناسایی متغیر تخصیص و آستانه: متغیری که بر اساس آن مداخله تخصیص یافته و مقدار آستانه قطعی را دقیقاً تعیین کنید.
ارزیابی اعتبار طرح: اجرای واقعی قاعده، امکان دستکاری نمره، جهش‌های احتمالی در متغیرهای پیش از مداخله و سیاست‌های هم‌زمان در آستانه را بررسی کنید. آزمون‌های توازن یا چگالی می‌توانند شاهد تشخیصی باشند، اما پیوستگی پیامد خلاف‌واقع را اثبات نمی‌کنند.
جمع‌آوری داده‌ها: داده‌های مربوط به متغیر تخصیص، دریافت مداخله و متغیر نتیجه را برای نمونه‌ای بزرگ از افراد در دو طرف آستانه گردآوری کنید.
تحلیل گرافیکی: نمودار پراکندگی متغیر نتیجه بر حسب متغیر تخصیص را رسم کنید و وجود ناپیوستگی در نقطه آستانه را بررسی کنید.
برآورد محلی: برای طرح قطعی و متغیر پیوسته، رگرسیون محلی با درجهٔ پایین، انتخاب پهنای باند و استنباط مناسب را بررسی کنید. چندجمله‌ای سراسری با درجهٔ بالا را انتخاب پیش‌فرض نگیرید. در طرح فازی، جهش پیامد به‌تنهایی اثر دریافت مداخله نیست و باید جهش دریافت نیز در برآورد لحاظ شود.
بررسی استحکام: حساسیت نتایج را نسبت به عرض پنجره اطراف آستانه، شکل تابع رگرسیون و وجود متغیرهای کمکی بررسی کنید.
تفسیر محدود: نتیجه را به عنوان اثر موضعی برای افراد نزدیک آستانه تفسیر کنید، نه اثر متوسط برای کل جمعیت.
شواهد موردنیاز
مهم‌ترین شواهد برای این روش عبارت‌اند از:
متغیر تخصیصِ دقیق با دامنهٔ کافی اطراف مرز؛ در شکل متداولِ مبتنی بر پیوستگی، متغیر پیوسته است و برای نمرهٔ گسسته مفروضات و تحلیل متناسب لازم است.
آستانه تخصیص که باید بدون ابهام و قطعی باشد.
متغیر نتیجه که باید برای همه افراد نمونه قابل اندازه‌گیری باشد.
داده‌های کافی در نزدیکی آستانه؛ زیرا قدرت آماری به تعداد مشاهدات در پنجره‌های باریک اطراف آستانه بستگی دارد.
متغیرهای پیش از مداخله برای بررسی اعتبار مقایسه و افزایش احتمالی دقت؛ افزودن متغیر کمکی، نقض طراحی را خودکار جبران نمی‌کند.
کیفیت شواهد مستقیماً بر اعتبار نتیجه اثر می‌گذارد. خطای اندازه‌گیری در متغیر تخصیص، دستکاری آستانه توسط افراد، یا وجود ناپیوستگی‌های دیگر در همان نقطه می‌تواند استنباط را مخدوش کند.
مثال کاربردی
در یک مثال فرضی دربارهٔ بورس تحصیلی، فرض کنید یک بنیاد خیریه تصمیم می‌گیرد به دانش‌آموزانی که در آزمون ورودی نمرهٔ ۸۰ یا بیشتر از ۱۰۰ کسب کنند، بورسیه کامل پرداخت کند. مقایسهٔ سادهٔ میانگین نمرات پایان سال ممکن است تفاوت اولیهٔ دو گروه را با اثر بورس درهم بیامیزد؛ جهت و اندازهٔ این سوگیری بدون مفروضات بیشتر معلوم نیست. نمره‌های ۷۹ و ۸۰ دو سوی قاعدهٔ فرضی‌اند، اما مقایسهٔ میانگین فقط همین دو نمره، خودکار برآورد معتبر RDD نیست. اگر نمره فقط مقادیر صحیح محدودی داشته باشد، روش و مفروضات متناسب با متغیر تخصیص گسسته لازم است. داده‌های کافی اطراف آستانه، اجرای قاعده، نبود سیاست هم‌زمان و امکان دستکاری باید بررسی شوند. این مثال داده یا نتیجهٔ تجربی ندارد.
یک مثال فرضی دیگر در حوزه سیاست‌گذاری شهری: شهرداری تصمیم می‌گیرد به محله‌هایی که شاخص محرومیت آن‌ها به آستانهٔ مشخص رسیده یا از آن گذشته است، بودجه ویژه برای نوسازی زیرساخت‌ها اختصاص دهد. شاخص محرومیت یک عدد پیوسته بین ۰ تا ۱۰۰ است و آستانه ۶۰ تعیین شده است. برای قاعدهٔ فرضیِ شاخص ۶۰ یا بیشتر، نمره‌های ۵۹ و ۶۰ در دو سوی تخصیص‌اند، اما برابر بودن وضعیت اولیه تضمین نمی‌شود. تحلیل باید از دادهٔ کافی در همسایگی مرز و مفروضات معتبر استفاده کند؛ سرریز نوسازی به محله‌های مجاور نیز ممکن است مقایسه را مخدوش کند. اگر در نقطه آستانه یک جهش در بهبود شاخص کیفیت زندگی دیده شود، این شواهد به نفع اثر مداخله است.
تناسب مسئله با طرح
تخصیص آستانه‌ای: برای اثر محلی در مرز واجد شرایط بودن، قاعده، دریافت واقعی، پیامد و دادهٔ کافی دو سوی مرز لازم است.
سوگیری مقایسهٔ کل دریافت‌کنندگان: محدود کردن به همسایگی مرز می‌تواند مقایسهٔ موجه‌تری بسازد؛ حذف تفاوت‌ها باید با مفروضات طرح توجیه شود.
تصمیم دربارهٔ سیاست: اثر محلی می‌تواند برای اصلاح قاعده مفید باشد، ولی به‌تنهایی اثر گسترش برنامه به تمام جمعیت را نشان نمی‌دهد.
مزایا
در شرایطی که تصادفی‌سازی ممکن نیست، جایگزین قوی‌تری نسبت به روش‌های مبتنی بر مقایسه ساده فراهم می‌کند.
با اعتبار مفروضات شناسایی و اجرای درست تحلیل، می‌تواند شواهدی دربارهٔ اثر علّی محلی فراهم کند؛ کیفیت هر مطالعه باید جداگانه سنجیده شود.
شفافیت قاعده تخصیص باعث می‌شود تحلیل برای مخاطبان قابل درک باشد.
می‌تواند از داده‌های اداری یا ثبتی موجود استفاده کند و نیاز به جمع‌آوری داده گران‌قیمت نباشد.
اثر مداخله را برای گروهی که دقیقاً در آستانه واجد شرایط بودن هستند تخمین می‌زند، که برای سیاست‌گذاران اهمیت عملی دارد.
محدودیت‌ها و خطاهای رایج
تعمیم‌پذیری محدود: اثر برآوردشده محلی و مربوط به نزدیکی آستانه است؛ این اثر بدون داده یا مفروضات اضافی دربارهٔ تغییر اثر در فاصله از آستانه، به کل جمعیت تعمیم نمی‌یابد.
فرض تداوم: روش فرض می‌کند که در غیاب مداخله، رابطه بین متغیر تخصیص و نتیجه در نقطه آستانه پیوسته است. اگر عوامل دیگری در همان نقطه تغییر کنند، این فرض نقض می‌شود.
نیاز به داده زیاد در مرز: برای داشتن توان آماری کافی، به تعداد زیادی مشاهده در نزدیکی آستانه نیاز است که همیشه در دسترس نیست.
دستکاری آستانه: اگر افراد بتوانند نمرهٔ خود را دقیقاً حول مرز مرتب یا دستکاری کنند، مقایسهٔ محلی ممکن است نامعتبر شود؛ حتی اگر قاعدهٔ دریافت همچنان کاملاً قطعی اجرا شود.
انتخاب شکل تابع رگرسیون: نتیجه می‌تواند به انتخاب عرض پنجره و درجه چندجمله‌ای حساس باشد.
فقط یک ناپیوستگی را تشخیص می‌دهد: این روش وجود یک جهش در نقطه آستانه را نشان می‌دهد، اما توضیح نمی‌دهد که چرا این جهش رخ داده است؛ سازوکار علّی نیاز به تحلیل جداگانه دارد.
مقایسه با روش‌های مشابه
RCT: تخصیص تصادفی مبنای برآورد اثر تخصیص است؛ اعتبار به ریزش، تبعیت و سرریز نیز وابسته است. راهنمای کارآزمایی تصادفی کنترل‌شده این منطق را توضیح می‌دهد.
تفاوت در اختلافات: از مقایسهٔ تغییر گروه‌ها تحت فرض روندهای موازی خلاف‌واقع استفاده می‌کند.
همتاسازی با نمرهٔ گرایش: متغیرهای مشاهده‌شده را متعادل می‌کند و به‌تنهایی مخدوش‌سازی مشاهده‌نشده را رفع نمی‌کند.
IV: به ابزار مرتبط و معتبر و تفسیر روشن برآورد هدف نیاز دارد؛ طرح فازی RDD با منطق ابزار پیوند دارد.
رتبه‌بندی کلی RDD، همتاسازی و تفاوت در اختلافات کافی نیست؛ هر طرح برآورد هدف و مفروضات متفاوتی دارد. کیفیت اجرای قاعده، داده و اعتبار مفروضات باید برای همان مطالعه سنجیده شود.
جمع‌بندی
روش ناپیوستگی رگرسیون ابزاری قدرتمند برای ارزیابی اثر علّی مداخلات در شرایطی است که تصادفی‌سازی ممکن نیست اما تخصیص بر اساس یک آستانه قطعی انجام می‌شود. این روش با محدود کردن مقایسه به افراد نزدیک آستانه، سوگیری انتخاب را کاهش می‌دهد و تخمینی معتبر از اثر موضعی مداخله ارائه می‌کند. با این حال، کاربرد آن مستلزم وجود داده‌های کافی در همسایگی آستانه، فرض تداوم معتبر و آگاهی از محدودیت تعمیم‌پذیری است. ارزیابان باید پیش از انتخاب این روش، قطعی بودن قاعده تخصیص و کیفیت داده‌ها را به دقت بررسی کنند.
منابع روش‌شناختی
Lee & Lemieux (2010)، Regression Discontinuity Designs in Economics، Journal of Economic Literature, 48(2), 281–355؛ چکیدهٔ نویسندگان در NBER w14723.
Cattaneo, Idrobo & Titiunik (2020)، A Practical Introduction to Regression Discontinuity Designs: Foundations، بخش رویکرد مبتنی بر پیوستگی.
Cattaneo, Idrobo & Titiunik (2024)، A Practical Introduction to Regression Discontinuity Designs: Extensions؛ معرفی طرح فازی و نمرهٔ گسسته در چکیده و مقدمهٔ نویسندگان.
Gelman & Imbens (2019)، Why High-Order Polynomials Should Not Be Used in Regression Discontinuity Designs. DOI: 10.1080/07350015.2017.1366909؛ چکیدهٔ مقاله.