Event-time regression discontinuity for biomedical data: LATT estimation and covariate distribution tests¶
作者: Yesong Choe, Yeahoon Kwon, Minjung Kho, Seunggeun Lee, Sanghack Lee
来源: American Journal of Epidemiology
主题: 因果推断
相关性: 8/10
机构绿灯: Seoul National University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1093/aje/kwag243
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是回归不连续设计(Regression Discontinuity, RD)在纵向观测健康数据中的变体与应用。RD 设计的根本科学问题是:在无法进行随机对照试验时,如何利用一个"分配规则"(如分数线、时间点、政策门槛)造成的局部随机化,来识别一个处理变量对结局的因果效应。经典 RD 依赖一个可观测的、一维的、连续的"分配变量"(running variable),处理状态是该变量是否超过某个已知阈值的确定性函数。本文处理的根本问题是:当处理(药物处方)是纵向、事件性的,而结局(生物标志物)是横断面、单次测量的,且个体之间不存在一个共同的、天然的分配变量时,如何构造一个替代的分配变量,使得 RD 的逻辑仍然成立。这个子方向当前处于"方法探索 + 应用示范"阶段,成熟度中等——方法框架已提出,但识别假设的检验与稳健性诊断仍在发展。
发展脉络(history)¶
从 introduction 与参考文献看,这个方向的脉络可以串成以下几条线:
- 奠基工作:经典 RD 的正式化与局部随机化视角。Imbens & Lemieux (2008) 和 Lee & Lemieux (2010) 是 RD 设计的标准参考,确立了"连续性假设下,阈值附近的均值差识别局部平均处理效应(LATE)"这一核心逻辑。本文的识别策略直接建立在这一逻辑之上——作者在引言中明确说"under continuity assumptions, this identifies a local average treatment effect among the treated",这是对经典 RD 识别策略的直接继承。
- 主要进展:RD 在健康数据中的应用与"时间作为分配变量"的变体。健康数据中,RD 常被用于药物警戒和比较效果研究,例如以政策实施日期、指南发布日或处方日期作为阈值。本文的独特之处在于:不是用日历时间作为分配变量,而是用个体层面的"事件时间"——即生物标志物测量与首次处方之间的间隔。这个构造将"横断面测量 + 纵向处方"的数据结构转化为一个 RD 问题。作者在引言中强调,这种"event-time RD"与传统的"calendar-time RD"不同,因为它对齐的是个体内部的事件,而非外部的日历日期。
- 当前 frontier:识别假设的诊断与稳健推断。RD 文献近年的前沿是:如何检验阈值附近的"局部随机化"是否成立(如 McCrary 密度检验、协变量平衡检验),以及如何在偏差与方差之间权衡(如偏差校正推断、donut 估计)。本文直接应用了这些前沿工具:分布协变量平衡诊断、稳健偏差校正推断(robust bias-corrected inference,即 Calonico, Cattaneo & Titiunik 2015 的方法)、donut 规格(剔除阈值附近过近的观测以缓解测量误差或操纵)。作者在引言中明确说"we apply distributional covariate-balance diagnostics, robust bias-corrected inference, and parsimonious covariate adjustment",这是对当前 RD 推断方法栈的直接调用。
- 本文的位置:本文不是提出新的估计量或新的推断理论,而是将已有的 RD 工具箱(识别策略 + 稳健推断 + 诊断)移植到一个新的数据结构(纵向处方 + 横断面生物标志物)上,并用 UK Biobank 的两个实例(他汀与 LDL、二甲双胍与 HbA1c)展示其可行性与局限性。作者在引言中承认"conclusions depend on explicit local timing-exogeneity and continuity assumptions",说明本文的定位是"方法示范 + 假设敏感性展示",而非"新理论突破"。
子线索聚类¶
被引文献大致落在三条子线索上:
- 经典 RD 识别与推断理论(Imbens & Lemieux 2008; Lee & Lemieux 2010; Calonico, Cattaneo & Titiunik 2015):这条线提供 RD 的识别逻辑、局部多项式估计、偏差校正与稳健置信区间。本文直接调用这些工具。
- RD 在药物警戒与健康数据中的应用(如利用处方日期、政策日期作为阈值的观察性药物研究):这条线展示了 RD 在真实世界健康数据中的可行性,但也暴露了"日历时间"作为分配变量时的混杂问题(如时间趋势、政策变化)。本文的 event-time 构造是对这条线的一个修正——用个体内部的事件时间替代日历时间,以消除日历时间趋势的干扰。
- RD 的假设诊断与稳健性检验(McCrary 密度检验、协变量平衡检验、donut 规格):这条线关注"局部随机化"是否可信。本文直接应用这些诊断,并报告了密度检验显著、donut 估计变化较大的结果,说明诊断工具在本设定中揭示了残余不确定性。
这个方向在追问的核心问题¶
- 识别问题:当处理是纵向事件、结局是横断面测量时,如何构造分配变量使得 RD 的连续性假设可信?本文的答案是"事件时间间隔",但这一构造的识别假设(局部时间外生性)是否成立,取决于个体能否精确控制测量时间与处方时间的相对顺序。
- 推断问题:在阈值附近样本量有限的情况下,如何做偏差校正与稳健推断?本文直接调用 Calonico-Cattaneo-Titiunik 的稳健偏差校正方法,但 donut 估计的变化幅度(−1.00 到 −1.72 mmol/L)提示推断对规格选择敏感。
- 诊断问题:如何检验"局部随机化"是否成立?本文用密度检验和协变量平衡检验,但密度检验显著(说明测量时间分布在阈值附近不连续)直接威胁识别假设,作者对此的回应是"残余不确定性"。
⚠️ 作者的 framing(必须明确标注成"这是作者的说法")¶
这是作者的说法:作者把缺口 frame 成"现有 RD 在健康数据中的应用多依赖日历时间作为分配变量,但日历时间受时间趋势和政策变化的干扰;本文提出用事件时间(个体内部间隔)作为替代分配变量,从而在纵向处方 + 横断面生物标志物的数据结构中实现 RD 识别"。这个 framing 使得本文成为"显然的下一步"——既然日历时间 RD 有混杂,那么事件时间 RD 就是自然的修正。
被淡化或回避的竞争路线:作者没有深入讨论工具变量(IV)方法作为替代识别策略的可能性——如果处方时间与生物标志物测量时间的间隔可以被视为一种"自然实验",那么 IV 或断点回归的变体(如 fuzzy RD)可能同样适用。作者也没有讨论纵向数据中的固定效应或差分法——如果个体有多次测量,面板方法可能更直接。作者回避了这些路线,可能是因为 UK Biobank 的生物标志物是横断面测量,面板方法不可行,但 IV 的讨论缺失是一个值得注意的空白。
什么明显该被引 / 该存在、却没出现在 intro 里:作者没有引用 Cattaneo, Idrobo & Titiunik (2019) 的 RD 实用指南(这是 RD 应用的权威参考),也没有引用 McCrary (2008) 的密度检验原始论文(虽然应用了该检验)。此外,fuzzy RD 与 complier average causal effect (CACE) 的文献没有被讨论——如果"首次处方"不是完全确定的处理状态(即存在"处方了但没吃"或"没处方但吃了"的情况),那么本文的估计量是 reduced-form 还是 fuzzy RD 的某种变体?这个识别细节在 intro 中没有被澄清。
张力¶
被引工作之间未见明显对立引用。经典 RD 理论(Imbens & Lemieux 2008)与稳健推断方法(Calonico et al. 2015)是互补关系,而非竞争关系。唯一的潜在张力在于:密度检验显著(McCrary 检验)与 RD 识别假设之间的矛盾——如果测量时间分布在阈值附近不连续,说明个体可能操纵测量时间,这直接威胁"局部随机化"假设。作者报告了这一矛盾,但没有提出解决方案,这是本文内部的一个未解决的张力。
二、最核心、最简单的例子 / 数学问题¶
第一步:把符号、模型、可观测数据交代清楚¶
在展开本文的技术细节之前,先立好记号。以下记号是理解全文的地基:
- 个体:\( i = 1, \dots, n \),来自 UK Biobank 的参与者。
- 处理状态:\( D_i \in \{0, 1\} \),表示个体 \( i \) 是否在观察窗口内首次被处方了他汀类药物(或二甲双胍)。注意:这是一个事件性处理,不是持续状态。
- 首次处方时间:\( T_i \),个体 \( i \) 的首次处方日期(日历时间)。
- 生物标志物测量时间:\( M_i \),个体 \( i \) 的 LDL(或 HbA1c)测量日期(日历时间)。
- 事件时间间隔(running variable):\( S_i = M_i - T_i \),即测量日期与首次处方日期之间的间隔(以天为单位)。这是本文构造的替代分配变量。当 \( S_i < 0 \) 时,个体在处方前测量;当 \( S_i > 0 \) 时,个体在处方后测量。阈值是 \( S_i = 0 \)(即测量与处方同日)。
- 处理指示(基于 running variable):\( Z_i = \mathbf{1}\{S_i \ge 0\} \),表示个体是否在首次处方之后测量。注意:\( Z_i \) 不是 \( D_i \)——\( D_i \) 是"是否被处方",\( Z_i \) 是"是否在处方后测量"。这是一个关键区分:本文估计的不是"处方对 LDL 的效应",而是"在处方后测量 vs 处方前测量"对 LDL 的效应,然后通过连续性假设将其解释为"处方对 LDL 的局部效应"。
- 结局:\( Y_i \),生物标志物测量值(LDL 或 HbA1c,单位 mmol/L 或 %)。
- 协变量:\( X_i \),如年龄、性别、BMI、合并症等。
- 潜在结局:\( Y_i(1) \) 和 \( Y_i(0) \),分别表示个体在"处方后测量"和"处方前测量"两种状态下的潜在结局。注意:这里潜在结局的定义是基于测量时间,而非基于处理本身——这是本文识别策略的核心,也是其局限性的来源。
可观测数据:研究者实际能观测到的是 \( (Y_i, S_i, Z_i, D_i, X_i) \) 的样本。关键点是:每个个体只有一个测量值(横断面),因此 \( Y_i \) 要么是 \( Y_i(1) \)(如果 \( Z_i = 1 \)),要么是 \( Y_i(0) \)(如果 \( Z_i = 0 \)),不可能同时观测到两者。这是 RD 设计的标准结构:阈值两侧的个体在可观测特征上可比,但在处理状态上不同。
目标 estimand:本文的目标是局部平均处理效应中的处理组效应(Local Average Treatment Effect on the Treated, LATT),定义为:
即在"首次处方者"中,在阈值 \( S_i = 0 \) 处,处方后测量与处方前测量的潜在结局差异。注意:这里"处理"是"在处方后测量",而"处理组"是"实际被处方者"。这个 estimand 的因果解释依赖于一个关键假设:在阈值附近,个体是否在处方后测量是"近似随机的"(局部随机化),且处方状态 \( D_i \) 在阈值附近是连续的(即不存在"为了在处方后测量而调整测量时间"的选择行为)。
第二步:讲最小内核¶
把本文的所有技术细节剥掉,支撑整篇论文的最小内核是:
一个二值处理、一个连续分配变量、一个横断面结局的经典 RD 问题,但分配变量不是日历时间,而是个体内部的"事件时间间隔"。
最简例子如下:
假设我们想估计"他汀类药物对 LDL 的效应"。我们有一个 UK Biobank 参与者的样本,每个人有一个 LDL 测量值和一个首次他汀处方的日期。我们计算 \( S_i = \) 测量日期 − 处方日期。如果 \( S_i < 0 \),这个人的 LDL 是在他开始他汀之前测的;如果 \( S_i > 0 \),是在之后测的。
现在,我们把 \( S_i \) 当作分配变量,把 \( S_i = 0 \) 当作阈值。在阈值附近(比如 \( S_i \in [-30, +30] \) 天),我们比较"刚在处方前测量的人"和"刚在处方后测量的人"的 LDL 均值。如果这两组人在其他方面(年龄、性别、健康状况)是可比的话,那么 LDL 的差异就可以归因于"在处方后测量"这一事件——而由于处方是"首次"的,这个差异可以被解释为"他汀开始后的短期效应"。
为什么这个例子是"最小内核"? 因为本文的所有技术细节——偏差校正推断、协变量平衡诊断、donut 规格——都是在处理这个基本 RD 结构在实践中的问题:
- 偏差校正推断:因为阈值附近的样本量有限,局部线性回归的偏差不可忽略,所以需要偏差校正。
- 协变量平衡诊断:因为"处方前测量"和"处方后测量"的人可能系统性地不同(例如,医生可能更倾向于在处方前安排一次测量以建立基线),所以需要检验协变量在阈值两侧是否连续。
- donut 规格:因为阈值附近可能存在测量误差或操纵(例如,测量日期被精确记录为处方当天),所以剔除阈值附近过近的观测以检验稳健性。
这个最小内核的数学本质:本文要证明的核心命题是——在连续性假设(\( \mathbb{E}[Y_i(0) \mid S_i = s] \) 和 \( \mathbb{E}[Y_i(1) \mid S_i = s] \) 在 \( s = 0 \) 处连续)下,阈值两侧的观测均值差收敛到 \( \tau_{LATT} \)。这个命题的证明与经典 RD 完全平行,只是分配变量的定义不同。难点不在于证明本身,而在于验证连续性假设在本数据中是否成立——这正是本文用密度检验和协变量平衡诊断去做的。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在纵向处方记录与横断面生物标志物测量的数据结构中,如何利用事件时间间隔作为分配变量,构造 RD 设计来估计药物对生物标志物的局部平均处理效应(LATT),并检验该设计的识别假设是否成立。
- 核心工具 / 方法:事件时间 RD 框架,结合局部多项式回归、Calonico-Cattaneo-Titiunik 稳健偏差校正推断、分布协变量平衡诊断、McCrary 密度检验和 donut 规格。
- 主要结论:他汀与 LDL 的分析显示处方后 LDL 出现局部下降(方向与显著性在多种规格下稳健),但密度检验显著且 donut 估计变化较大(−1.00 到 −1.72 mmol/L),提示局部可比性存在残余不确定性;二甲双胍与 HbA1c 的分析不够稳定,未得到一致结论。
关键设定与假设¶
在第二节最小记号的基础上,本文的完整设定如下:
- 分配变量:\( S_i = M_i - T_i \),即测量日期与首次处方日期的间隔。阈值 \( S_i = 0 \)。
- 处理指示:\( Z_i = \mathbf{1}\{S_i \ge 0\} \),即"是否在处方后测量"。
- 目标 estimand:\( \tau_{LATT} = \mathbb{E}[Y_i(1) - Y_i(0) \mid D_i = 1, S_i = 0] \),即在首次处方者中,阈值处的局部处理效应。
关键假设(本文明确或隐含依赖的):
- 连续性假设(continuity):\( \mathbb{E}[Y_i(0) \mid S_i = s] \) 和 \( \mathbb{E}[Y_i(1) \mid S_i = s] \) 在 \( s = 0 \) 处连续。这是 RD 识别的核心假设,意味着"在处方前测量"和"在处方后测量"的人在阈值附近是潜在可比的。
- 局部时间外生性(local timing exogeneity):个体不能精确控制测量时间与处方时间的相对顺序。如果个体(或医生)能精确控制"在处方前还是处方后测量",那么 \( Z_i \) 就不是随机的,连续性假设会被违反。本文的密度检验(McCrary 检验)正是检验这一假设——如果测量时间分布在 \( S_i = 0 \) 处不连续,说明存在操纵。
- 处理状态的确定性:\( Z_i \) 是 \( S_i \) 的确定性函数(\( S_i \ge 0 \) 则 \( Z_i = 1 \))。这是 sharp RD 的设定。如果存在"处方了但没吃"或"没处方但吃了"的情况,则需要 fuzzy RD 框架,但本文没有明确讨论这一点。
- 处方作为"首次"事件:\( T_i \) 是首次处方日期,排除了既往用药史。如果个体在观察窗口前已用过他汀,那么"首次处方"的定义就不成立。
相比已有文献的放宽或强化:
- 放宽:本文不要求日历时间上的共同趋势假设(这是 calendar-time RD 的常见问题),因为事件时间对齐的是个体内部的事件,日历时间趋势被吸收。
- 强化:本文的识别假设(局部时间外生性)比经典 RD 的连续性假设更强——它不仅要求潜在结果在阈值处连续,还要求个体不能操纵测量时间。经典 RD 通常允许个体操纵分配变量(只要操纵是"模糊的"),但本文的设定中,测量时间的操纵直接威胁识别。
主要结果¶
本文的主要结果分为两部分:方法框架的建立与两个实证应用。
方法框架:
- 本文提出了 event-time RD 的识别策略:将个体按 \( S_i = M_i - T_i \) 对齐,比较阈值两侧的观测均值差,在连续性假设下识别 \( \tau_{LATT} \)。
- 本文采用了分布协变量平衡诊断(distributional covariate-balance diagnostics),即检验协变量在阈值两侧的分布是否连续,而不仅仅是均值是否连续。这是对传统均值平衡检验的加强。
- 本文采用了稳健偏差校正推断(robust bias-corrected inference),即 Calonico-Cattaneo-Titiunik (2015) 的方法,以处理局部多项式回归的偏差与方差权衡。
- 本文采用了 donut 规格,即剔除阈值附近过近的观测(如 \( |S_i| < \epsilon \)),以检验结果对测量误差或操纵的敏感性。
实证应用:
- 他汀与 LDL:在 UK Biobank 数据中,event-time RD 估计显示 LDL 在首次处方日期附近出现局部下降。方向与显著性在偏差校正推断、不同带宽和 donut 规格下均稳健。但 McCrary 密度检验显著(测量时间分布在阈值处不连续),且 donut 估计从 −1.00 到 −1.72 mmol/L 变化较大,提示局部可比性存在残余不确定性。
- 二甲双胍与 HbA1c:结果不够稳定。参数局部线性估计显示 HbA1c 有较大下降,但稳健偏差校正推断下不显著,donut 规格下结果也不一致。作者认为该分析未能提供一致的证据。
这些结果想说明什么:本文想展示 event-time RD 在真实世界健康数据中的可行性,同时诚实地报告其局限性——特别是密度检验显著和 donut 估计变化大,说明"局部时间外生性"假设在本数据中可能不完全成立。作者没有过度宣称因果解释,而是强调"conclusions depend on explicit local timing-exogeneity and continuity assumptions"。
证明路线与技术技巧¶
本文是应用型论文,没有新的理论证明,但方法框架的建立遵循以下逻辑路线:
- 识别:从经典 RD 的识别策略出发,将分配变量从日历时间替换为事件时间间隔 \( S_i \)。在连续性假设下,阈值两侧的观测均值差识别 \( \tau_{LATT} \)。这一步不需要新的证明,直接继承 Imbens & Lemieux (2008) 的定理。
- 估计:采用局部多项式回归估计阈值两侧的条件期望函数,并用 Calonico-Cattaneo-Titiunik (2015) 的稳健偏差校正方法构造置信区间。这一步是标准工具箱的直接调用。
- 诊断:采用 McCrary (2008) 密度检验检验分配变量在阈值处的连续性,采用分布协变量平衡检验检验协变量在阈值两侧的分布是否连续。这一步是 RD 文献中标准诊断工具的应用。
技术技巧点名:
- 局部多项式回归(local polynomial regression):用于估计阈值两侧的条件期望函数,带宽选择是核心问题。
- 稳健偏差校正(robust bias correction):Calonico-Cattaneo-Titiunik (2015) 的方法,通过显式估计偏差项并调整置信区间,解决传统偏差校正方法在有限样本下覆盖概率不足的问题。
- McCrary 密度检验:检验分配变量在阈值处的密度是否连续,是 RD 设计中检测操纵的标准工具。
- donut 规格:剔除阈值附近过近的观测,以缓解测量误差或操纵对估计的影响。这是 RD 文献中常用的稳健性检验。
- 分布协变量平衡检验:比传统的均值平衡检验更强,检验协变量在阈值两侧的整个分布是否连续,而不仅仅是均值。
关键难点:本文的难点不在于估计或推断的技术细节,而在于验证识别假设。密度检验显著说明测量时间分布在阈值处不连续,这直接威胁"局部时间外生性"假设。作者没有提出新的检验方法或修正策略,而是诚实地报告了这一残余不确定性。这是本文作为应用型论文的局限,也是其价值所在——它展示了 event-time RD 在真实数据中的可行性与陷阱。
真实例子与应用¶
本文有两个真实数据应用,均来自 UK Biobank(2006–2013 收集):
- 他汀与 LDL:样本为 UK Biobank 中首次处方他汀的参与者,结局为 LDL 测量值(mmol/L)。事件时间间隔 \( S_i \) 为 LDL 测量日期与首次他汀处方日期的间隔。结果显示 LDL 在首次处方日期附近出现局部下降,方向与显著性在多种规格下稳健,但 donut 估计从 −1.00 到 −1.72 mmol/L 变化较大,说明估计对规格选择敏感。
- 二甲双胍与 HbA1c:样本为首次处方二甲双胍的参与者,结局为 HbA1c 测量值(%)。结果显示参数局部线性估计有较大下降,但稳健偏差校正推断下不显著,donut 规格下结果不一致。作者认为该分析未能提供一致的证据。
这些例子想说明什么:他汀例子展示了 event-time RD 的潜力——在横断面生物标志物数据中检测到药物效应的局部信号;二甲双胍例子则展示了方法的局限性——当识别假设不成立或数据噪声较大时,结果不稳定。两个例子共同说明了 event-time RD 的适用条件与陷阱。
🔎 结论是否比证明窄¶
本文是应用型论文,没有严格的数学证明,但存在以下"结论比证据宽"的地方:
-
"LATT 识别"的宣称:作者声称在连续性假设下识别 LATT,但本文的 estimand 定义中,"处理"是"在处方后测量",而非"处方本身"。LATT 的因果解释依赖于一个额外的假设:在阈值附近,处方状态 \( D_i \) 与测量时间 \( S_i \) 的联合分布是连续的。作者没有明确陈述或检验这一假设。具体来说,如果"在处方前测量"的人中有一部分实际上从未被处方(即 \( D_i = 0 \)),那么阈值左侧的观测均值包含非处理组的贡献,LATT 的解释就不成立。作者在摘要中承认"comparing eventual users measured shortly before versus after that date",但"eventual users"的定义(是否包括从未被处方者)没有在摘要中澄清。
-
"稳健"的宣称:作者声称结果在"bias-corrected inference, bandwidths, and donut specifications"下稳健,但 donut 估计从 −1.00 到 −1.72 mmol/L 的变化幅度(约 70% 的相对变化)是否算"稳健"值得商榷。作者没有报告 donut 估计的置信区间,也没有讨论这一变化幅度对结论的影响。
-
密度检验显著的解释:作者报告 McCrary 密度检验显著,但将其解释为"残余不确定性"而非"识别假设违反"。这是一个合理的保守解释,但作者没有讨论密度检验显著的可能原因(如测量时间记录的舍入误差、医生安排测量的系统性行为),也没有提出后续的敏感性分析方法。
四、开放问题¶
以下开放问题均扎根于本文的具体语句或方法框架:
-
LATT 的因果解释需要更严格的假设:本文的 estimand 是"在处方后测量 vs 处方前测量"的局部效应,但将其解释为"处方对 LDL 的效应"需要额外的假设(如"在阈值附近,处方状态与测量时间独立")。作者在摘要中承认"conclusions depend on explicit local timing-exogeneity and continuity assumptions",但没有给出这些假设的形式化定义。要确认这是否是真 gap:去读近 5 年 event-time RD 或健康数据 RD 的文献(如利用电子健康记录做药物警戒的 RD 研究),看是否已有更严格的识别条件讨论。
-
密度检验显著的处理:本文报告 McCrary 密度检验显著,但没有提出修正策略。开放问题:当分配变量(事件时间间隔)的分布在阈值处不连续时,是否有适用于 event-time RD 的敏感性分析方法(如 donut 规格的正式化、或基于"测量时间操纵"的结构模型)?要确认这是否是真 gap:去读 McCrary (2008) 的后续引用文献,看是否有针对"分配变量不可完全操控但存在测量误差"的 RD 诊断方法。
-
donut 估计的稳定性标准:本文的 donut 估计从 −1.00 到 −1.72 mmol/L 变化较大,但作者仍宣称"稳健"。开放问题:在 event-time RD 中,donut 估计的变化幅度达到多少时,应认为识别假设不可信?是否存在正式的规格选择准则?要确认这是否是真 gap:去读 Calonico, Cattaneo & Titiunik (2015) 及其后续工作,看是否有针对 donut 规格的正式推断方法。
-
横断面结局 + 纵向处理的更一般框架:本文处理的是"单次测量 + 首次处方"的设定。开放问题:当个体有多次测量(纵向结局)或多次处方(时变处理)时,event-time RD 如何推广?要确认这是否是真 gap:去读纵向 RD 或"treatment timing"相关的因果推断文献(如 Callaway & Sant'Anna 2021 的 staggered DID 框架),看是否已有类似的时间对齐 RD 方法。
-
与工具变量方法的比较:本文没有讨论 IV 方法作为替代识别策略。开放问题:在"处方时间 vs 测量时间"的设定中,IV 方法与 event-time RD 的识别假设有何不同?何时一个优于另一个?要确认这是否是真 gap:去读健康数据中 IV 与 RD 的比较研究(如 Angrist & Pischke 的教科书讨论),看是否已有针对"事件时间"设定的比较。
提醒:要确认上述开放问题是否是真 gap,建议去读近 5 年 event-time RD、健康数据 RD、以及"时间作为分配变量"的因果推断文献(约 5 篇的 introduction)。如果多篇文献都指向同一个问题,说明是共识性 gap;如果文献之间互相矛盾,说明是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub