Publicado | Última actualización:
¿Sabías que en las últimas dos décadas, los métodos de análisis de discontinuidad de regresión han experimentado un gran auge? Este diseño es ahora una de las principales opciones para estudiar los efectos de los tratamientos en la investigación de políticas de salud . Es una forma no experimental de determinar la relación causa-efecto.
Los diseños de discontinuidad de regresión (RDD) permiten estudiar los efectos del tratamiento con gran rigor y fiabilidad. Se utilizan cada vez más como alternativa a los ensayos controlados aleatorizados (ECA). Esto se observa en campos como la atención sanitaria y la ciencia de la implementación . Son útiles cuando los ECA no son factibles.
En este artículo, analizaremos cómo se utilizan los diseños de discontinuidad de regresión en la investigación de políticas de salud reales . Hablaremos sobre los beneficios, los desafíos y las estadísticas de este método. Si te interesa la investigación, la formulación de políticas o la atención médica, conocer los diseños de discontinuidad de regresión puede brindarte nuevas perspectivas. Puede ser útil para la toma de decisiones en salud pública.
Puntos Clave
- Los diseños de regresión discontinua (RDD) son una forma sólida de estudiar la causa y el efecto sin aleatorizar los ensayos.
- Los RDD se utilizan cada vez más como alternativa a los ensayos controlados aleatorios (ECA) en la investigación en atención sanitaria y salud pública.
- El RDD puede estudiar cómo las intervenciones, como las transferencias de efectivo o los servicios sociales, afectan los resultados y las políticas de salud.
- El cambio repentino en la recepción de un tratamiento en un momento determinado puede mostrarnos los efectos reales de los tratamientos sobre la salud.
- El RDD tiene sus desafíos, pero es una forma sólida de analizar los efectos del tratamiento en Investigación sobre políticas de salud.
Introducción al diseño de regresión discontinua (RDD) en la investigación en salud
En la investigación en salud, el diseño de discontinuidad de regresión (RDD, por sus siglas en inglés) es una herramienta poderosa. Nos ayuda a ver cómo las intervenciones o exposiciones afectan los resultados de salud. Utiliza un punto de corte para comparar a las personas que se encuentran justo por encima y justo por debajo de él, aprovechando al máximo la asignación aleatoria del tratamiento.
¿Qué es el diseño de regresión discontinua (RDD)?
El método RDD permite aprender sobre la causa y el efecto a partir de datos. Es una buena opción cuando no es posible o no es adecuado realizar ensayos aleatorios, como en los campos de la educación, la salud y el trabajo. Al comparar a quienes cumplen los requisitos para recibir un tratamiento con quienes no, el método RDD nos ayuda a comprender bien el efecto del tratamiento.
Ventajas y desventajas del uso de RDD
- Las grandes ventajas de RDD son su capacidad para determinar la causa y el efecto, impulsar validez interna reduciendo el sesgo y utilizando políticas del mundo real como experimentos naturales.
- Pero también tiene desventajas, como la necesidad de un buen corte y las preocupaciones sobre generalizabilidad, cuestiones éticas de no administrar el tratamiento y cómo las decisiones de modelado afectan los resultados.
- Los investigadores deben pensar en lo bueno y lo malo al momento de decidir si el RDD se adapta a sus necesidades de investigación en salud.
Es importante conocer los pros y contras del RDD para sacar conclusiones y predicciones válidas en la investigación de políticas de salud.
Puntos de corte, regresión lineal local
El diseño de discontinuidad de regresión (RDD, por sus siglas en inglés) es una herramienta poderosa para estudiar los efectos de las intervenciones o políticas. Utiliza un punto de corte o umbral predeterminado . La elección de este punto de corte es fundamental, ya que determina cómo las personas reciben el tratamiento en función de la variable determinante . Los investigadores deben seleccionar cuidadosamente la variable determinante y el punto de corte. A menudo realizan análisis de sensibilidad para comprobar cómo cambian sus resultados con diferentes opciones de punto de corte.
Elección del punto de corte adecuado
El punto de corte debe coincidir con el contexto del estudio y el motivo de la intervención o política. Es importante que la variable determinante sea continua en torno al punto de corte. Las personas cercanas a este punto deberían ser similares en muchos aspectos. Esto permite comparar de forma justa sus resultados justo por encima y por debajo del umbral.
Regresión lineal local en RDD
El método RDD suele emplear la regresión lineal local para determinar el efecto del tratamiento. Compara los resultados justo por encima y por debajo del umbral. Este método ajusta líneas separadas a ambos lados del umbral y analiza el salto en dicho umbral. Los investigadores también pueden utilizar métodos de regresión no paramétrica, como el suavizado de núcleo o el suavizado de diagramas de dispersión ponderados localmente . Estos métodos ayudan a abordar la disyuntiva entre sesgo y varianza , y a modelar la relación entre la variable de entrada y el resultado.
| Técnica de regresión | Mareas Ideales para Lecciones | Ventajas | Desventajas |
|---|---|---|---|
| Regresión lineal local | Ajuste de líneas de regresión separadas a cada lado del punto de corte | Proporciona una estimación directa del efecto del tratamiento en el punto de corte. | Puede ser sensible a la elección del ancho de banda. |
| Suavizado de granos | Uso de una función kernel para ponderar las observaciones en función de su distancia desde el punto de corte | Proporciona un modelado más flexible de la relación entre los variable de fuerza y el resultado | Requiere la selección de una función de kernel y ancho de banda |
| Suavizado de diagrama de dispersión ponderado localmente (más bajo) | Aplicación de una técnica de regresión ponderada localmente para suavizar la relación entre la variable forzada y el resultado | Puede capturar relaciones no lineales sin realizar cálculos paramétricos fuertes. supuestos | Requiere la selección de un parámetro de suavizado |
Al elegir una técnica de regresión en RDD, se debe considerar el equilibrio entre sesgo y varianza, así como la naturaleza de los datos. Realizar análisis de sensibilidad y pruebas de robustez es fundamental para garantizar la validez y fiabilidad de los resultados.
Evaluación de intervenciones y políticas sanitarias
El diseño de discontinuidad de regresión (RDD, por sus siglas en inglés) es una herramienta eficaz para evaluar la efectividad de las intervenciones y las políticas de salud . Permite comprobar si las vacunas y los medicamentos funcionan analizando la edad u otros criterios de selección.
Evaluación de la eficacia de las vacunas
El RDD se utiliza a menudo para ver cómo ayudan las vacunas. Analiza los resultados de salud de las personas que están justo por encima y por debajo de la edad para recibir una vacuna. Esto ayuda a determinar qué tan bien funciona la vacuna para detener la enfermedad.
Por ejemplo, un estudio analizó el programa de control del tabaco de California. Demostró cómo el diseño de datos aleatorios (RDD, por sus siglas en inglés) puede ayudar a comprender los efectos de los programas de salud.
Evaluación de la eficacia de los medicamentos y tratamientos
El método RDD también evalúa la eficacia de los medicamentos y tratamientos . Para ello, utiliza la edad, la gravedad de la enfermedad o los niveles de biomarcadores . En los ensayos clínicos oncológicos, compara a los pacientes que se encuentran justo por encima y por debajo de un valor determinado para determinar si un nuevo fármaco resulta eficaz.
Un estudio demostró cómo la regresión logística ayuda en la investigación médica. Analiza cómo diferentes factores, como contraer una enfermedad, afectan los resultados de salud. Esto puede ayudar a comprender si un tratamiento es efectivo.
Con el uso de RDD, los investigadores pueden aprender mucho sobre cómo funcionan las vacunas, los medicamentos y los tratamientos en la vida real. Esto ayuda a crear mejores políticas sanitarias y a mejorar la atención al paciente.
Investigación de experimentos naturales e inferencia causal
En la investigación sanitaria , los experimentos naturales son una herramienta clave para comprender la relación causa-efecto . El diseño de discontinuidad de regresión (RDD, por sus siglas en inglés) es ideal para estudiar cómo las políticas sanitarias afectan a la salud. Utiliza normas ya existentes, como Medicaid, para observar cómo las políticas modifican los resultados de salud.
Este método cuasiexperimental nos brinda información valiosa y nos ayuda a tomar mejores decisiones en materia de atención médica. A diferencia de las pruebas tradicionales, los experimentos naturales no requieren grupos aleatorios; utilizan cambios del mundo real para observar sus efectos.
Algunos ejemplos de estos estudios incluyen:
- Estudio de Andalon M sobre cómo un programa de transferencia de efectivo en México afecta el peso.
- Basu S et al. analizan las políticas de nutrición escolar y su impacto en los hábitos alimentarios y el peso.
- Estudio de Crifasi CK et al. sobre las leyes de armas de fuego y las tasas de suicidio en dos estados.
- Investigación de Dusheiko M et al. sobre las recompensas financieras para los médicos y su impacto.
Mediante el uso de experimentos naturales y métodos de inferencia causal , los investigadores pueden aportar pruebas sólidas. Esto ayuda a los responsables políticos a tomar mejores decisiones en materia de atención médica y a mejorar los resultados.
Aplicaciones en salud pública y epidemiología
El diseño de discontinuidad de regresión (RD) es una herramienta clave en la investigación en salud pública y epidemiología. Ayuda a los investigadores a estudiar cómo las políticas y el acceso a la atención médica afectan la salud. Al analizar los cambios en las políticas o las áreas geográficas, el diseño RD muestra los efectos de la ampliación de la cobertura y el acceso a la atención médica.
Evaluación del acceso y la cobertura de la atención sanitaria
El diseño de regresión discontinua (RD) se ha utilizado para analizar el impacto de la expansión de Medicaid en la salud. Compara a las personas que se encuentran justo por encima y por debajo del umbral de ingresos para Medicaid. Esto demuestra los beneficios de un mayor acceso y cobertura de atención médica . Ayuda a los responsables políticos a comprender los efectos de sus acciones y a decidir sobre las redes de seguridad social.
Análisis de los determinantes ambientales y sociales de la salud
El diseño de la investigación también analiza cómo los factores ambientales y sociales afectan la salud. Mediante el uso de cambios de políticas o áreas geográficas, los investigadores estudian el impacto de la contaminación, las brechas de ingresos y otros factores en la salud. Esto ayuda a encontrar las principales causas de las diferencias en la salud y orienta las acciones de salud pública.
| Aplicación empírica | Principales Conclusiones |
|---|---|
| Directrices sobre el CD4 para la terapia antirretroviral en la retención de pacientes con VIH en Sudáfrica | Mayor retención de pacientes con VIH en la atención después de la implementación de umbrales de recuento de CD4 más inclusivos para el inicio del tratamiento |
| Pautas genéticas para la quimioterapia en la recurrencia del cáncer de mama en los Estados Unidos | Riesgo reducido de recurrencia del cáncer de mama entre pacientes que recibieron quimioterapia acorde con las pautas basadas en pruebas genéticas |
| Efectos de la distribución de los costos de los pacientes en función de la edad en la utilización de la atención médica en Taiwán | Aumento del uso de la atención sanitaria entre los adultos mayores tras la aplicación de reducciones basadas en la edad en los costes compartidos de los pacientes |
El diseño de RD se está volviendo más popular en la salud pública y la epidemiología gracias al fácil acceso a los datos y al software. Esto lo convierte en una forma confiable de comprender los efectos de las políticas de atención médica. Ayuda a los investigadores a sacar conclusiones sólidas y guiar los cambios de políticas.
Normas de evaluación y presentación de informes de calidad
Es fundamental verificar la calidad de los estudios de diseño de discontinuidad de regresión (DDR) para asegurar su fiabilidad. Hemos establecido estándares para los DDR, como el uso de una variable de forzamiento y la verificación de supuestos . Estos criterios de evaluación de la calidad ayudan a identificar los aspectos positivos y negativos de los estudios DDR en la investigación en salud.
Criterios de evaluación crítica para estudios de RDD
- Identificación clara y justificación de la variable forzante
- Selección adecuada del punto de corte en función de la teoría y el contexto pertinentes
- Evaluación del supuesto de continuidad, garantizando que no haya otros factores que influyan en el resultado en el punto de corte.
- Métodos estadísticos apropiados, como regresión lineal local, para estimar el efecto del tratamiento
- Análisis de sensibilidad para evaluar la solidez de los hallazgos frente a especificaciones alternativas
- Informes exhaustivos sobre el diseño, los métodos y los resultados del estudio para permitir la replicación y la evaluación crítica.
Seguir estos rigurosos estándares de presentación de informes otorga mayor credibilidad a los estudios de diagnóstico aleatorio por muestreo (RDD) en políticas de salud e investigación epidemiológica. Además, fortalece las inferencias causales , lo que contribuye a tomar mejores decisiones basadas en la evidencia.
| Criterios | Mareas Ideales para Lecciones |
|---|---|
| Variable de fuerza | La variable utilizada para determinar Asignación de tratamiento Debe estar claramente identificado y justificado. |
| Punto de corte | El punto de corte para Asignación de tratamiento Debe ser apropiado y basarse en la teoría y el contexto pertinentes. |
| Supuesto de continuidad | Los investigadores deben evaluar el supuesto de continuidad, asegurándose de que ningún otro factor influya en el resultado en el punto de corte. |
| Métodos de estadística | Métodos estadísticos apropiados, como regresión lineal local, debe utilizarse para estimar el efecto del tratamiento. |
| Análisis de sensibilidad | Se deben realizar análisis de sensibilidad para evaluar la solidez de los hallazgos frente a especificaciones alternativas. |
| Normas de informes | La información exhaustiva sobre el diseño, los métodos y los resultados del estudio es esencial para posibilitar la replicación y la evaluación crítica. |
Siguiendo estos estándares de calidad, los investigadores pueden dotar de mayor credibilidad a sus estudios de detección aleatoria de casos (RDD) en el ámbito de las políticas sanitarias y la investigación epidemiológica. Esto refuerza las inferencias causales derivadas de dichos estudios.
Diseños de regresión discontinua en la investigación clínica
El diseño de discontinuidad de regresión (RDD, por sus siglas en inglés) se utiliza en la investigación clínica para evaluar la eficacia de los tratamientos. Emplea reglas o directrices preexistentes para determinar quién recibe un tratamiento. De esta manera, los investigadores pueden conocer los efectos de los tratamientos mediante datos observacionales , sin necesidad de ensayos aleatorizados.
Economistas como Van der Klaauw (2002), Black (1999) y Angrist y Lavy (1999) hicieron grandes contribuciones a fines de la década de 1990. Por ejemplo, Hahn, Todd y Van der Klaauw (1999) analizaron cómo una ley antidiscriminación afectaba a las empresas con 15 o más empleados.
En el ámbito de la atención médica, la RDD se utiliza para ver cómo cambian aspectos como los descuentos para personas mayores o la elegibilidad para Medicare a determinadas edades. Estas decisiones suelen surgir de reglas establecidas por los administradores.
El diseño de regresión discontinua ( RDD) se divide en dos tipos: discontinuidad de regresión nítida (SRD) y discontinuidad de regresión difusa (FRD) . El SRD analiza el efecto inmediato del tratamiento en un punto específico. El FRD utiliza métodos diferentes. Estos diseños se basan en teorías como el modelo causal de Rubin y el análisis de regresión.
El diseño de discontinuidad de regresión es un método cuasiexperimental clave . Ayuda a los investigadores a determinar la eficacia de los tratamientos a partir de datos observacionales en estudios clínicos. Es una herramienta poderosa que complementa los ensayos aleatorizados tradicionales.
Desafíos y limitaciones del RDD
El diseño de discontinuidad de regresión (RDD, por sus siglas en inglés) es un método sólido para estudiar los efectos de las intervenciones o políticas. Sin embargo, presenta sus propios desafíos y limitaciones. Los investigadores deben tenerlos en cuenta al utilizar RDD. Entre los aspectos clave se incluyen el supuesto de ausencia de manipulación y las dudas sobre la validez externa.
Suposición de no manipulación
Los estudios RDD presuponen que las personas no pueden cambiar su estado de tratamiento cerca del límite. Esto significa que la forma en que las personas reciben el tratamiento debe ser justa y no estar influida por sus elecciones. Si esto no es así, los resultados del estudio podrían ser erróneos. Los investigadores deberían analizar esto y comprobar la solidez de sus hallazgos.
Preocupaciones sobre generalización y validez externa
Los resultados del RDD son específicos del entorno y del punto de corte del estudio, por lo que resulta difícil aplicarlos a otros lugares o grupos. Los investigadores deben tener cuidado de no forzar demasiado sus hallazgos. También deben comprobar cómo se sostienen sus resultados en diferentes situaciones.
Además, es posible que el RDD no revele lo que ocurre en el resto del mundo. El efecto del tratamiento podría no ser el mismo en todas partes. Los investigadores deberían tener en cuenta estos límites e intentar que sus hallazgos sean más aplicables. Esto podría significar realizar más estudios en diversos entornos.
A pesar de sus desafíos, el diseño de investigación de datos aleatorios (RDD, por sus siglas en inglés) es una herramienta clave en la investigación de políticas de salud. Su uso óptimo se da cuando se cumplen los supuestos y se comparten abiertamente las limitaciones del estudio. Al abordar estas cuestiones y realizar un análisis exhaustivo, los investigadores pueden ayudarnos a comprender cómo las intervenciones y las políticas afectan la atención médica.
Consideraciones estadísticas y métodos de análisis
Al realizar estudios de diseño de discontinuidad de regresión (RDD), los investigadores se enfrentan a importantes desafíos estadísticos. Deben seleccionar el ancho de banda adecuado , que es el área alrededor del punto de corte para el análisis. Encontrar el equilibrio correcto es fundamental, ya que los anchos de banda pequeños reducen el sesgo pero aumentan la varianza, y los grandes mejoran la potencia pero añaden sesgo. El uso de regresión lineal local o técnicas no paramétricas puede ayudar a que las estimaciones de RDD sean más precisas.
Selección del ancho de banda y compensación entre sesgo y varianza
Elegir el mejor ancho de banda es complicado. Los investigadores pueden utilizar distintos métodos para encontrar el adecuado. Su objetivo es reducir el sesgo y aumentar la potencia estadística. Esto garantiza que los resultados sean fiables y dignos de confianza.
Análisis de sensibilidad y comprobaciones de robustez
Los resultados de los estudios RDD pueden ser sensibles a las decisiones tomadas en el estudio. Por eso, los investigadores realizan análisis de sensibilidad y pruebas de robustez . Prueban diferentes modelos, modifican el ancho de banda o utilizan diversos métodos de regresión. Estos pasos ayudan a garantizar que las inferencias causales de los estudios RDD sean válidas y útiles para la toma de decisiones en el ámbito de la salud.
| Consideración | Mareas Ideales para Lecciones |
|---|---|
| Selección de ancho de banda | Los investigadores deben equilibrar la compensación de sesgo-varianza en la selección del ancho de banda apropiado para el análisis RDD. |
| Regresión lineal local | El uso de regresión lineal local u otras técnicas no paramétricas puede mejorar la precisión de las estimaciones de RDD. |
| Análisis de sensibilidad | Los investigadores a menudo realizan análisis de sensibilidad para evaluar la estabilidad de sus hallazgos RDD, incluida la exploración de especificaciones de modelos alternativos y el ajuste del ancho de banda. |
| Comprobaciones de robustez | Comprobaciones de robustez, como el uso de diferentes métodos de regresión, ayudan a garantizar la validez y confiabilidad de las inferencias causales extraídas de los estudios RDD. |
Orientaciones futuras y posibles mejoras
El uso del Diseño de Discontinuidad de Regresión (DDR) está en auge en la investigación sanitaria . Existen oportunidades para avances metodológicos y una mejor calidad y presentación de informes de estos estudios . Mejorar la forma en que abordamos cuestiones como la manipulación de la variable de forzamiento y lograr que los hallazgos sean más generalizables puede aumentar la fiabilidad del DDR. Esto puede contribuir a orientar las políticas y decisiones en el ámbito sanitario.
Mejorar la inferencia causal en los estudios RDD es fundamental. Los investigadores pueden utilizar nuevos métodos estadísticos, como análisis de sensibilidad y pruebas de robustez, para abordar problemas de validez externa y generalización . Asimismo, establecer directrices claras para la presentación de informes en los estudios RDD puede mejorar la calidad de la evidencia y facilitar su comprensión.
Combinar el método RDD con otros métodos cuasiexperimentales , como el análisis de diferencias en diferencias o el análisis de series temporales interrumpidas, es otra buena idea. Esta combinación puede fortalecer las inferencias causales de los estudios sobre atención médica y brindarnos una visión más profunda de cómo las intervenciones y las políticas influyen en los resultados.
El campo de la investigación en salud está en constante evolución. A medida que avancemos en la metodología y mejoremos el uso de los datos de investigación descentralizados (RDD, por sus siglas en inglés), estos serán fundamentales para tomar decisiones basadas en evidencia sólida. Esto puede redundar en una mejor atención para los pacientes.
Conclusión
Esta revisión exhaustiva mostró cómo se utilizan los diseños de discontinuidad de regresión en estudios de salud. Estos diseños abarcan diversos temas y ámbitos. El diseño de discontinuidad de regresión es excelente para comprender el funcionamiento de las cosas mediante el análisis de datos. Nos ayuda a observar los efectos de nuevas políticas o eventos.
A pesar de algunos problemas en la calidad de los estudios y la presentación de informes, este método es eficaz. Puede brindarnos evidencia sólida para tomar mejores decisiones en materia de atención médica. Esto es fundamental para mejorar la investigación en políticas de salud.
El análisis del modelado lineal jerárquico (MLJ) en políticas de salud ha demostrado su valor. El MLJ es excelente para manejar estructuras de datos complejas y ayuda a tomar mejores decisiones en áreas como la educación y la atención médica.
Esta revisión destaca el papel fundamental del diseño de discontinuidad de regresión y el modelado lineal jerárquico en la atención sanitaria. Estos métodos nos ayudan a tomar decisiones informadas y a mejorar los resultados de salud. A medida que sigamos explorando estas metodologías, las conclusiones de esta revisión nos servirán de guía y darán forma al futuro de la investigación en políticas de salud.
Preguntas Frecuentes
¿Qué es el diseño de regresión discontinua (RDD)?
El diseño de regresión discontinua (RDD) es una forma de estudiar la causa y el efecto. Utiliza un límite natural para ver cómo funcionan los tratamientos. Al comparar a las personas que se encuentran justo por encima y justo por debajo de esta línea, aprendemos sobre el impacto del tratamiento.
¿Cuáles son las principales ventajas de utilizar RDD en la investigación en salud?
El método RDD es excelente para estudios de salud porque nos ayuda a comprender bien la relación causa-efecto. Además, reduce el sesgo y utiliza políticas del mundo real como experimentos naturales . Este método es potente porque utiliza datos sin aleatorizarlos.
¿Cómo seleccionan los investigadores el valor de corte o umbral apropiado en RDD?
La elección del valor de corte correcto es fundamental en el RDD, ya que determina quién recibe el tratamiento. Los investigadores deben explicar por qué eligieron ese valor de corte y comprobar cómo cambian sus resultados con distintas opciones.
¿Cuáles son las técnicas de regresión comunes utilizadas en los estudios RDD?
El método RDD suele utilizar la regresión lineal local para determinar el efecto del tratamiento. Compara los resultados justo por encima y por debajo del punto de corte. En ocasiones, se emplean otros métodos, como el suavizado de núcleo, para comprender mejor los datos.
¿Cómo se ha utilizado el RDD para evaluar el impacto de las intervenciones y políticas de atención sanitaria?
RDD ha estudiado cómo funcionan las vacunas, los efectos de los medicamentos y las políticas sanitarias. Utiliza las normas existentes para ver cómo estos factores modifican los resultados sanitarios. Esto nos ayuda a entender los efectos reales de estas intervenciones.
¿Cuáles son algunos de los desafíos y limitaciones asociados con el uso de RDD en la investigación en salud?
El método RDD tiene sus desafíos, como elegir el valor de corte correcto y asegurarse de que los hallazgos se apliquen en todas partes. También existen cuestiones éticas y la necesidad de tomar decisiones estadísticas inteligentes. Los investigadores deben pensar detenidamente antes de utilizar el método RDD para sus estudios.
¿Cómo pueden los investigadores garantizar la calidad y confiabilidad de los estudios RDD?
Es importante asegurarse de que los estudios RDD sean de buena calidad. Los investigadores deben seguir ciertos estándares, como utilizar un valor de corte claro y verificar sus suposiciones. Realizar pruebas adicionales también puede hacer que sus resultados sean más confiables.
¿Cuáles son algunas direcciones futuras para el uso de RDD en la investigación en salud?
A medida que la investigación en salud crece, podemos mejorarla aún más. Podemos trabajar para mejorarla, generalizar los hallazgos y establecer estándares claros. Esto ayudará a que la investigación en salud sea una herramienta más sólida para las decisiones sanitarias.
Enlaces de origen
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6884311/
- https://rdpackages.github.io/references/Cattaneo-Titiunik_2022_ARE.pdf
- https://faculty.wharton.upenn.edu/wp-content/uploads/2014/09/42_Regression_Discontinuity_Designs.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11066219/
- https://rudrendupaul.medium.com/causal-inference-part-9-regression-discontinuity-design-for-causal-inference-in-data-science-db04b46b4c29
- https://dimewiki.worldbank.org/Regression_Discontinuity
- https://donskerclass.github.io/EconometricsII/RegressionDiscontinuity.html
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5815378/
- https://academyhealth.org/sites/default/files/AH_Evaluation_Guide_FINAL.pdf
- https://www.bmj.com/content/374/bmj.n1747
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6485604/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6086368/
- https://rdpackages.github.io/references/Cattaneo-Keele-Titiunik_2023_SIM.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4162343/
- https://link.springer.com/article/10.1007/s40471-016-0080-x
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5082211/
- https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0174831
- https://link.springer.com/article/10.1057/s41270-020-00089-1
- https://www.nber.org/system/files/working_papers/w13039/w13039.pdf
- https://mixtape.scunning.com/06-regression_discontinuity
- https://www.betterevaluation.org/methods-approaches/methods/regression-discontinuity
- https://bookdown.org/mike/data_analysis/regression-discontinuity.html
- https://rdpackages.github.io/references/Calonico-Cattaneo-Farrell-Titiunik_2019_RESTAT.pdf
- https://stats.oarc.ucla.edu/spss/seminars/introduction-to-regression-with-spss/introreg-lesson2/
- https://www.mdrc.org/sites/default/files/regression_discontinuity_full.pdf
- https://swh.princeton.edu/~davidlee/wp/RDDEconomics.pdf
- https://ds4ps.org/pe4ps-textbook/docs/p-060-reg-discontinuity.html
- https://edisciplinas.usp.br/pluginfile.php/4250035/mod_folder/content/0/Textos/Explanation Regression Discontinuity.pdf?forcedownload=1