La régression sur discontinuité : exploiter un seuil pour identifier un effet (M1 Data économie)

La régression sur discontinuité (RDD, Regression Discontinuity Design) est une méthode d'inférence causale exploitant un seuil qui détermine l'accès à un traitement. En M1 du parcours data pour économistes, dans le cours de causalité et expérimentation, les QCM CampusQCM testent cette stratégie quasi expérimentale…

La régression sur discontinuité (RDD, Regression Discontinuity Design) est une méthode d'inférence causale exploitant un seuil qui détermine l'accès à un traitement. En M1 du parcours data pour économistes, dans le cours de causalité et expérimentation, les QCM CampusQCM testent cette stratégie quasi expérimentale élégante. L'idée est la suivante : quand une variable continue (le score) détermine l'éligibilité à un traitement par un seuil précis (par exemple, une bourse accordée au-dessus d'une note, une aide selon un revenu), les individus juste en dessous et juste au-dessus du seuil sont très similaires, sauf qu'ils diffèrent par le traitement. On peut alors attribuer le saut (la discontinuité) de la variable de résultat au seuil au traitement. La méthode repose sur l'hypothèse que tout le reste varie de façon continue au seuil : la seule chose qui « saute » est le traitement. On estime l'effet causal en comparant la limite du résultat à gauche et à droite du seuil, souvent par régression locale. L'effet identifié est local : il vaut au voisinage du seuil (LATE local), pas nécessairement ailleurs. La RDD est très crédible quand le seuil est exogène et que les individus ne peuvent pas manipuler précisément leur score. C'est l'une des méthodes les plus convaincantes de l'économétrie causale.