Statistisk inferens för policyutvärdering baserat på tröskelvärden

Mycket offentlig politik består av olika former av interventioner som syftar till att förbättra individers liv eller göra olika organisationer mer produktiva. För att utvärdera om sådana interventioner uppnår sitt syfte behöver man jämföra utfall för de individer (eller organisationer) som får tillgång till interventionen (”behandlingsgrupp”) med de som inte får det (”kontrollgrupp”). För att en sådan jämförelse ska kunna göra det möjligt att dra slutsatser om interventionens effekt måste behandlingsgrupp och kontrollgrupp vara så lika varandra som möjligt. En metod som anses vara bland de mest tillförlitliga för att uppnå detta kallas regressionsdiskontinuitetsdesign (engelskans ”regression discontinuity design”, förkortat RDD).

Grundidén med RDD är att jämföra individer som precis nått gränsen för att få en behandling med individer som låg strax under gränsen och därför inte fick behandlingen. Resultat på högskoleprovet kan till exempel avgöra om en individ kommer in på en viss utbildning. Om man vill skatta effekten av att komma in på utbildningen så kan man jämföra de individer som precis nådde det resultat som krävdes för att komma in med de som fick ett något sämre resultat och därmed inte kom in på utbildningen. Då de hade nästan samma resultat på högskoleprovet kan man förvänta sig att de ska vara relativt lika varandra, vilket gör att eventuella skillnader i utfall (såsom framtida lön) kan tillskrivas behandlingen (att komma in på den sökta utbildningen).

Det finns dock stora metodologiska utmaningar kring denna metod, framför allt när den variabel som styr tilldelning till behandling (i exemplet ovan, resultat på högskoleprov) bara kan anta ett begränsat antal värden. I sådant fall skapas en begränsning för hur bra jämförelsen mellan behandlingsgruppen och kontrollgruppen kan bli. Trots att denna situation är vanligt förekommande saknas i dagsläget en allmänt vedertagen metod för hur detta ska hanteras. I detta projekt utvecklar vi en ny metod som gör det möjligt att på ett vetenskapligt rigoröst sätt dra trovärdiga slutsatser utan att behöva göra alltför starka antaganden om data.