Pubblicato | Ultimo aggiornamento:
Sapevate che negli ultimi due decenni i metodi per l'analisi di regressione con discontinuità si sono notevolmente sviluppati? Questo modello è ora una delle opzioni principali per studiare gli effetti dei trattamenti nella ricerca sulle politiche sanitarie . Si tratta di un metodo non sperimentale per individuare le relazioni di causa-effetto.
I modelli di regressione con discontinuità (RDD) ci permettono di studiare gli effetti dei trattamenti con grande rigore e affidabilità. Sono sempre più utilizzati come alternativa agli studi clinici randomizzati controllati (RCT). Ciò è particolarmente vero in campi come la sanità e la scienza dell'implementazione . Risultano utili quando gli RCT non sono possibili.
In questo articolo, esamineremo come i modelli di regressione con discontinuità vengono utilizzati nella ricerca reale sulle politiche sanitarie . Parleremo dei vantaggi, delle sfide e delle statistiche relative a questo metodo. Se ti occupi di ricerca, elaborazione di politiche o sanità, conoscere i modelli di regressione con discontinuità può offrirti nuove prospettive e aiutarti a prendere decisioni in ambito di sanità pubblica.
Punti chiave
- I disegni di discontinuità di regressione (RDD) sono un metodo efficace per studiare causa ed effetto senza randomizzare gli studi.
- Gli RDD vengono utilizzati sempre più spesso come alternativa agli studi clinici randomizzati (RCT) nella ricerca sanitaria e sulla salute pubblica.
- L'RDD può studiare in che modo gli interventi, come i trasferimenti di denaro o i servizi sociali, influenzano i risultati e le politiche sanitarie.
- Il cambiamento improvviso nel modo di ricevere un trattamento a un certo punto può mostrarci i reali effetti dei trattamenti sulla salute.
- L'RDD presenta le sue sfide ma è un modo solido per esaminare gli effetti del trattamento in ricerca sulla politica sanitaria.
Introduzione al Regression Discontinuity Design (RDD) nella ricerca sanitaria
Nella ricerca sanitaria, il disegno di regressione con discontinuità (RDD) è uno strumento efficace. Ci aiuta a comprendere come interventi o esposizioni influenzino gli esiti sanitari. Utilizza un valore di soglia per confrontare le persone che si trovano appena al di sopra e appena al di sotto di esso, sfruttando al massimo l'assegnazione casuale del trattamento.
Che cos'è il Regression Discontinuity Design (RDD)?
RDD è un metodo per apprendere la causa e l'effetto dai dati. È una buona scelta quando le prove casuali non sono possibili o giuste, come nei settori dell'istruzione, della salute e del lavoro. Osservando coloro che sono appena qualificati per un trattamento rispetto a coloro che non lo sono, RDD ci aiuta a comprendere bene l'effetto del trattamento.
Vantaggi e svantaggi dell'utilizzo di RDD
- I grandi vantaggi dell'RDD sono la sua capacità di capire causa ed effetto, potenziare validità interna riducendo i pregiudizi e utilizzando politiche del mondo reale come esperimenti naturali.
- Ma ha anche degli svantaggi, come la necessità di un buon taglio, preoccupazioni circa generalizzabilità, questioni etiche legate alla mancata somministrazione del trattamento e come le scelte di modellazione influenzano i risultati.
- I ricercatori devono considerare gli aspetti positivi e negativi quando decidono se l'RDD soddisfa le loro esigenze di ricerca sanitaria.
È importante conoscere i pro e i contro dell'RDD per trarre conclusioni e previsioni valide nella ricerca sulle politiche sanitarie.
Punti di taglio, regressione lineare locale
Il disegno di regressione con discontinuità (RDD) è un potente strumento per studiare gli effetti di interventi o politiche. Utilizza un valore di soglia predeterminato . La scelta di questo valore di soglia è fondamentale, poiché determina come le persone ricevono il trattamento in base alla variabile determinante . I ricercatori devono scegliere con attenzione la variabile determinante e il valore di soglia. Spesso effettuano analisi di sensibilità per verificare come i risultati cambiano con diverse scelte di soglia.
Scelta del punto di interruzione appropriato
Il punto di cutoff dovrebbe essere coerente con il contesto dello studio e con la motivazione dell'intervento o della politica. È importante che la variabile determinante sia continua intorno al cutoff. Le persone in prossimità del cutoff dovrebbero essere simili per molti aspetti. Ciò rende equo il confronto dei loro risultati appena al di sopra e al di sotto della soglia.
Regressione lineare locale in RDD
Il metodo RDD (Responsive Discovery in Dose) utilizza spesso la regressione lineare locale per individuare l'effetto del trattamento. Confronta i risultati appena al di sopra e al di sotto della soglia. Questo metodo traccia linee separate su entrambi i lati della soglia e analizza il salto in corrispondenza della soglia stessa. I ricercatori possono anche utilizzare metodi di regressione non parametrica come il kernel smoothing o il locally weighted scatterplot smoothing . Questi metodi aiutano a gestire il compromesso tra bias e varianza e a modellare la relazione tra la variabile di forzatura e il risultato.
| Tecnica di regressione | Descrizione | Vantaggi | Svantaggi |
|---|---|---|---|
| Regressione lineare locale | Adattamento di linee di regressione separate su entrambi i lati del cutoff | Fornisce una stima diretta dell'effetto del trattamento al cutoff | Potrebbe essere sensibile alla scelta della larghezza di banda |
| Levigatura del nocciolo | Utilizzo di una funzione kernel per ponderare le osservazioni in base alla loro distanza dal cutoff | Fornisce una modellazione più flessibile della relazione tra variabile forzante e il risultato | Richiede la selezione di una funzione kernel e di una larghezza di banda |
| Smoothing del diagramma di dispersione ponderato localmente (BASSA) | Applicazione di una tecnica di regressione ponderata localmente per appianare la relazione tra la variabile forzante e il risultato | Può catturare relazioni non lineari senza creare parametri forti ipotesi | Richiede la selezione di un parametro di smoothing |
Nella scelta di una tecnica di regressione in RDD è necessario considerare il compromesso tra bias e varianza e la natura dei dati. L'esecuzione di analisi di sensibilità e verifiche di robustezza è fondamentale per garantire la validità e l'affidabilità dei risultati.
Valutazione degli interventi e delle politiche sanitarie
Il Regression Discontinuity Design (RDD) è un potente strumento per verificare l'efficacia di interventi e politiche sanitarie . Permette di valutare l' efficacia di vaccini e farmaci analizzando l'età o altri parametri di riferimento.
Valutazione dell'efficacia dei vaccini
L'RDD è spesso utilizzato per vedere come i vaccini aiutano. Esamina i risultati sanitari per le persone appena al di sopra e al di sotto dell'età per ricevere un vaccino. Ciò aiuta a capire quanto bene il vaccino funziona nell'arrestare la malattia.
Ad esempio, uno studio ha analizzato il programma di controllo del tabacco della California. Ha dimostrato come la ricerca e sviluppo (RDD) possa aiutare a comprendere gli effetti dei programmi sanitari.
Valutazione dell'efficacia dei farmaci e dei trattamenti
La RDD verifica anche l'efficacia di farmaci e trattamenti . Utilizza l'età, la gravità della malattia o i livelli di biomarcatori per decidere chi riceve un trattamento. Negli studi clinici sul cancro, confronta i pazienti appena al di sopra e al di sotto di una determinata soglia per vedere se un nuovo farmaco è efficace.
Uno studio ha dimostrato come la regressione logistica sia utile nella ricerca medica. Analizza come diversi fattori influenzino gli esiti sanitari, come ad esempio l'insorgenza di una malattia. Questo può aiutare a capire se un trattamento è efficace.
Utilizzando RDD, i ricercatori possono imparare molto su quanto bene vaccini, farmaci e trattamenti funzionano nella vita reale. Ciò aiuta a creare politiche sanitarie migliori e a migliorare l'assistenza ai pazienti.
Indagine sugli esperimenti naturali e l'inferenza causale
Nella ricerca sanitaria , gli esperimenti naturali sono uno strumento fondamentale per comprendere il rapporto causa-effetto . Il modello di regressione con discontinuità ( Regression Discontinuity Design , RDD) è ideale per studiare come le politiche sanitarie influenzano la salute. Utilizza regole esistenti, come quelle di Medicaid, per osservare come le politiche modificano gli esiti sanitari.
Questo metodo quasi-sperimentale ci fornisce informazioni approfondite. Ci aiuta a prendere decisioni migliori in ambito sanitario. A differenza dei test tradizionali, gli esperimenti naturali non necessitano di gruppi casuali. Utilizzano cambiamenti reali per osservarne gli effetti.
Alcuni esempi di questi studi includono:
- Lo studio di Andalon M su come un programma di trasferimento di denaro in Messico influisce sul peso.
- Basu S et al. analizzano le politiche nutrizionali scolastiche e il loro impatto sulle abitudini alimentari e sul peso.
- Studio di Crifasi CK et al. sulle leggi sulle armi da fuoco e sui tassi di suicidio in due stati.
- La ricerca di Dusheiko M et al. sulle ricompense finanziarie per i medici e il loro impatto.
Grazie all'utilizzo di esperimenti naturali e metodi di inferenza causale , i ricercatori possono fornire prove solide. Questo aiuta i responsabili politici a prendere decisioni migliori in ambito sanitario e a migliorare i risultati.
Applicazioni in sanità pubblica ed epidemiologia
Il disegno di regressione con discontinuità (RD) è uno strumento fondamentale nella ricerca in sanità pubblica ed epidemiologia. Aiuta i ricercatori a studiare come le politiche sanitarie e l'accesso all'assistenza sanitaria influenzino la salute. Analizzando i cambiamenti politici o le aree geografiche, il disegno RD mostra gli effetti dell'ampliamento della copertura e dell'accesso all'assistenza sanitaria.
Valutazione dell'accesso e della copertura sanitaria
Il modello RD è stato utilizzato per valutare l' impatto dell'espansione del programma Medicaid sulla salute. Confronta le persone che si trovano appena al di sopra e al di sotto della soglia di reddito per accedere a Medicaid. Questo studio evidenzia i benefici di un maggiore accesso e copertura sanitaria . Aiuta i responsabili politici a comprendere gli effetti delle loro azioni e a decidere in merito alle reti di sicurezza sociale.
Analisi dei determinanti ambientali e sociali della salute
La progettazione RD esamina anche il modo in cui i fattori ambientali e sociali influenzano la salute. Utilizzando cambiamenti politici o aree geografiche, i ricercatori studiano l'impatto dell'inquinamento, dei divari di reddito e di altri fattori sulla salute. Ciò aiuta a trovare le cause principali delle differenze di salute e guida le azioni di sanità pubblica.
| Applicazione empirica | Risultati chiave |
|---|---|
| Linee guida CD4 per la terapia antiretrovirale sulla ritenzione dei pazienti HIV in Sud Africa | Aumento della permanenza dei pazienti affetti da HIV in cura dopo l'implementazione di soglie di conteggio dei CD4 più inclusive per l'inizio del trattamento |
| Linee guida genetiche per la chemioterapia sulla recidiva del cancro al seno negli Stati Uniti | Riduzione del rischio di recidiva del cancro al seno tra i pazienti che hanno ricevuto chemioterapia conforme alle linee guida basata sui test genetici |
| Effetti della condivisione dei costi dei pazienti in base all'età sull'utilizzo dell'assistenza sanitaria a Taiwan | Aumento dell'utilizzo dell'assistenza sanitaria tra gli anziani dopo l'attuazione di riduzioni basate sull'età nella condivisione dei costi dei pazienti |
Il design RD sta diventando sempre più popolare nella sanità pubblica e nell'epidemiologia grazie al facile accesso ai dati e al software. Ciò lo rende un modo affidabile per comprendere gli effetti delle politiche sanitarie. Aiuta i ricercatori a trarre conclusioni solide e a guidare i cambiamenti delle politiche.
Standard di valutazione e rendicontazione della qualità
È fondamentale verificare la qualità degli studi di regressione con discontinuità (RDD) per garantirne l'affidabilità. Abbiamo definito degli standard per gli studi RDD, come l'utilizzo di una variabile forzante e la verifica delle ipotesi . Questi criteri di valutazione della qualità aiutano a individuare gli aspetti positivi e negativi degli studi RDD nella ricerca sanitaria.
Criteri di valutazione critica per gli studi RDD
- Identificazione chiara e giustificazione della variabile forzante
- Selezione appropriata del punto di interruzione in base alla teoria e al contesto pertinenti
- Valutazione dell'ipotesi di continuità, assicurando che nessun altro fattore influenzi il risultato al cutoff
- Metodi statistici appropriati, come regressione lineare locale, per stimare l'effetto del trattamento
- Analisi di sensibilità per valutare la robustezza dei risultati rispetto a specifiche alternative
- Rendicontazione completa del disegno dello studio, dei metodi e dei risultati per consentire la replicazione e la valutazione critica
Il rispetto di questi rigorosi standard di rendicontazione rende gli studi RDD (Response Development and Development) nell'ambito delle politiche sanitarie e della ricerca epidemiologica più credibili. Inoltre, rafforza le inferenze causali , contribuendo a prendere decisioni migliori basate su dati concreti.
| Criteri | Descrizione |
|---|---|
| Forzatura variabile | La variabile utilizzata per determinare assegnazione del trattamento devono essere chiaramente identificati e giustificati. |
| Punto di interruzione | Il punto di interruzione per assegnazione del trattamento devono essere appropriati e basati sulla teoria e sul contesto pertinenti. |
| Presupposto di continuità | I ricercatori devono valutare l'ipotesi di continuità, assicurandosi che nessun altro fattore influenzi il risultato al momento del cutoff. |
| Metodi statistici | Metodi statistici appropriati, come regressione lineare locale, deve essere utilizzato per stimare l'effetto del trattamento. |
| Analisi di sensibilità | È opportuno effettuare analisi di sensibilità per valutare la solidità dei risultati rispetto a specifiche alternative. |
| Standard di segnalazione | Per consentire la replicabilità e la valutazione critica è essenziale una comunicazione completa della progettazione, dei metodi e dei risultati dello studio. |
Seguendo questi standard di qualità, i ricercatori possono rendere i loro studi RDD più credibili nell'ambito delle politiche sanitarie e della ricerca epidemiologica. Ciò rafforza le inferenze causali derivanti da tali studi.
Disegni di discontinuità di regressione nella ricerca clinica
Il disegno di regressione con discontinuità (RDD, Regression Discontinuity Design) viene utilizzato nella ricerca clinica per verificare l'efficacia dei trattamenti. Si basa su regole o linee guida preesistenti per decidere chi riceve un trattamento. In questo modo, i ricercatori possono studiare gli effetti dei trattamenti utilizzando dati osservazionali, senza la necessità di studi randomizzati.
Economisti come Van der Klaauw (2002), Black (1999) e Angrist e Lavy (1999) hanno dato grandi contributi alla fine degli anni Novanta. Ad esempio, Hahn, Todd e Van der Klaauw (1990) hanno esaminato come una legge antidiscriminazione abbia influenzato le aziende con 1999 o più dipendenti.
In ambito sanitario, RDD viene utilizzato per vedere come cambiano cose come gli sconti per gli anziani o l'idoneità a Medicare a determinate età. Queste decisioni spesso derivano da regole stabilite dagli amministratori.
La regressione con discontinuità ( RDD) si articola in due tipologie: la regressione con discontinuità netta (SRD) e la regressione con discontinuità sfocata (FRD) . La SRD analizza l'effetto immediato del trattamento in un punto specifico. La FRD utilizza metodi differenti. Questi modelli sono supportati da teorie come il modello causale di Rubin e l'analisi di regressione.
Il disegno di regressione con discontinuità è un metodo quasi-sperimentale fondamentale . Aiuta i ricercatori a scoprire gli effetti dei trattamenti a partire dai dati osservazionali degli studi clinici. È uno strumento efficace da affiancare ai tradizionali studi randomizzati.
Sfide e limiti dell'RDD
Il metodo di regressione con discontinuità (RDD) è un valido strumento per studiare gli effetti di interventi o politiche. Tuttavia, presenta anche delle sfide e dei limiti. I ricercatori devono tenerne conto quando utilizzano l'RDD. Tra le problematiche principali figurano l' assunto di assenza di manipolazione e le preoccupazioni relative alla validità esterna.
Presupposto di nessuna manipolazione
Gli studi RDD presumono che le persone non possano cambiare il loro stato di trattamento vicino al cutoff. Ciò significa che il modo in cui le persone ricevono il trattamento deve essere equo e non influenzato dalle loro scelte. Se questo non è vero, i risultati dello studio potrebbero essere sbagliati. I ricercatori dovrebbero esaminare questo aspetto e verificare quanto siano solide le loro scoperte.
Problemi di generalizzabilità e validità esterna
I risultati RDD sono specifici per l'impostazione e il cutoff dello studio. Ciò rende difficile applicarli ad altri luoghi o gruppi. I ricercatori dovrebbero fare attenzione a non forzare troppo i loro risultati. Dovrebbero anche verificare come i loro risultati reggono in diverse situazioni.
Inoltre, RDD potrebbe non mostrare cosa accade nel mondo più ampio. L'effetto del trattamento potrebbe non essere lo stesso ovunque. I ricercatori dovrebbero pensare a questi limiti e cercare di rendere le loro scoperte più ampiamente applicabili. Ciò potrebbe significare condurre più studi in vari contesti.
Nonostante le sue difficoltà, la ricerca di regressione (RDD) è uno strumento fondamentale nella ricerca sulle politiche sanitarie. Il suo utilizzo è ottimale quando i presupposti sono rispettati e i limiti dello studio sono condivisi apertamente. Affrontando queste problematiche e conducendo analisi approfondite, i ricercatori possono aiutarci a comprendere in che modo gli interventi e le politiche influenzano l'assistenza sanitaria.
Considerazioni statistiche e metodi di analisi
Quando si conducono studi di Regression Discontinuity Design (RDD), i ricercatori si trovano ad affrontare importanti sfide statistiche. Devono scegliere la larghezza di banda corretta , ovvero l'area intorno al punto di cutoff per l'analisi. Trovare il giusto equilibrio è fondamentale, poiché larghezze di banda ridotte diminuiscono la distorsione ma aumentano la varianza, mentre larghezze maggiori migliorano la potenza ma introducono una distorsione. L'utilizzo della regressione lineare locale o di tecniche non parametriche può contribuire a rendere le stime RDD più accurate.
Selezione della larghezza di banda e compromesso tra bias e varianza
Scegliere la larghezza di banda migliore è complicato. I ricercatori potrebbero usare metodi diversi per trovare quella giusta. Il loro obiettivo è ridurre la distorsione e aumentare la potenza statistica. Ciò garantisce che i risultati siano affidabili e degni di fiducia.
Analisi di sensibilità e controlli di robustezza
I risultati degli studi RDD possono essere sensibili alle scelte effettuate nello studio stesso. Per questo motivo, i ricercatori conducono analisi di sensibilità e verifiche di robustezza . Sperimentano modelli diversi, modificano la larghezza di banda o utilizzano vari metodi di regressione. Questi passaggi contribuiscono a garantire che le inferenze causali derivanti dagli studi RDD siano valide e utili per le decisioni in ambito sanitario.
| Considerazione | Descrizione |
|---|---|
| Selezione della larghezza di banda | I ricercatori devono bilanciare il compromesso bias-varianza nella selezione della larghezza di banda appropriata per l'analisi RDD. |
| Regressione lineare locale | L'uso della regressione lineare locale o di altre tecniche non parametriche può migliorare l'accuratezza delle stime RDD. |
| Analisi di sensibilità | Spesso i ricercatori conducono analisi di sensibilità per valutare la stabilità dei risultati RDD, anche esplorando specifiche di modelli alternativi e regolando la larghezza di banda. |
| Controlli di robustezza | Controlli di robustezza, come l'utilizzo di diversi metodi di regressione, contribuiscono a garantire la validità e l'affidabilità delle inferenze causali tratte dagli studi RDD. |
Direzioni future e potenziali miglioramenti
L'utilizzo del Regression Discontinuity Design (RDD) è in crescita nella ricerca sanitaria . Vi sono opportunità per progressi metodologici e per una migliore qualità e rendicontazione di questi studi . Migliorare la gestione di problematiche come la manipolazione della variabile forzante e rendere i risultati più generalizzabili può rendere l'RDD più affidabile. Ciò può contribuire a orientare le politiche e le decisioni in ambito sanitario.
Migliorare l' inferenza causale negli studi RDD è fondamentale. I ricercatori possono utilizzare nuovi metodi statistici, come le analisi di sensibilità e le verifiche di robustezza, per affrontare i problemi di validità esterna e generalizzabilità . Inoltre, definire linee guida chiare per la rendicontazione degli studi RDD può rendere le evidenze più solide e di più facile comprensione.
Un'altra buona idea è quella di combinare l'RDD con altri metodi quasi-sperimentali , come le analisi difference-in-differences o interrupted time series. Questa combinazione può rafforzare le inferenze causali derivanti dagli studi in ambito sanitario e fornirci una visione più approfondita di come interventi e politiche influenzino i risultati.
Il campo della ricerca sanitaria è in continua evoluzione. Il costante progresso metodologico e il miglioramento dell'utilizzo della ricerca basata su dati concreti (RDD) saranno fondamentali per prendere decisioni fondate su solide evidenze scientifiche. Questo si tradurrà in una migliore assistenza per i pazienti.
Conclusione
Questa analisi approfondita ha mostrato come i modelli di regressione con discontinuità vengano utilizzati negli studi sanitari. Essi coprono numerosi argomenti e contesti. Il modello di regressione con discontinuità è ottimo per comprendere il funzionamento dei fenomeni attraverso l'analisi dei dati. Ci aiuta a osservare gli effetti di nuove politiche o eventi.
Pur con alcune problematiche relative alla qualità degli studi e alla presentazione dei risultati, questo metodo è efficace. Può fornirci prove solide per prendere decisioni migliori in ambito sanitario. Questo è fondamentale per migliorare la ricerca sulle politiche sanitarie.
L'analisi della modellazione lineare gerarchica (HLM) nelle politiche sanitarie ha dimostrato il suo valore. L'HLM è ideale per gestire strutture di dati complesse e contribuisce a prendere decisioni migliori in settori come l'istruzione e la sanità.
Questa rassegna evidenzia il ruolo fondamentale del modello di regressione con discontinuità e della modellazione lineare gerarchica nell'assistenza sanitaria. Questi strumenti ci aiutano a prendere decisioni informate e a migliorare gli esiti sanitari. Continuando a esplorare questi metodi, le intuizioni emerse da questa rassegna ci guideranno e plasmeranno il futuro della ricerca sulle politiche sanitarie.
FAQ
Che cos'è il Regression Discontinuity Design (RDD)?
Il Regression Discontinuity Design (RDD) è un modo per studiare causa ed effetto. Utilizza un cutoff naturale per vedere come funzionano i trattamenti. Confrontando le persone appena sopra e appena sotto questa linea, apprendiamo l'impatto del trattamento.
Quali sono i principali vantaggi dell'utilizzo dell'RDD nella ricerca sanitaria?
Il metodo RDD è ottimo per gli studi in ambito sanitario perché ci aiuta a comprendere bene le relazioni di causa-effetto. Inoltre, riduce i bias e utilizza politiche reali come esperimenti naturali . Questo metodo è efficace perché utilizza i dati senza randomizzarli.
In che modo i ricercatori selezionano il valore di soglia o di cutoff appropriato nell'RDD?
La scelta del cutoff giusto è fondamentale in RDD. Decide chi riceve il trattamento. I ricercatori devono spiegare perché hanno scelto il cutoff e testare come i loro risultati cambiano con scelte diverse.
Quali sono le tecniche di regressione più comuni utilizzate negli studi RDD?
Il metodo RDD spesso utilizza la regressione lineare locale per individuare l'effetto del trattamento. Confronta i risultati appena al di sopra e al di sotto della soglia. Talvolta, vengono utilizzati altri metodi, come lo smoothing del kernel, per una migliore comprensione dei dati.
In che modo l'RDD è stato utilizzato per valutare l'impatto degli interventi e delle politiche sanitarie?
RDD ha esaminato il funzionamento dei vaccini, gli effetti dei farmaci e le politiche sanitarie. Utilizza le regole esistenti per vedere come queste cose cambiano i risultati sanitari. Ciò ci aiuta a comprendere gli effetti reali di questi interventi.
Quali sono alcune delle sfide e delle limitazioni associate all'uso dell'RDD nella ricerca sanitaria?
RDD ha le sue sfide, come scegliere il cutoff giusto e assicurarsi che i risultati siano applicabili ovunque. Ci sono anche questioni etiche e la necessità di fare scelte statistiche intelligenti. I ricercatori devono riflettere attentamente sull'utilizzo di RDD per i loro studi.
In che modo i ricercatori possono garantire la qualità e l'affidabilità degli studi RDD?
È importante assicurarsi che gli studi RDD siano di buona qualità. I ricercatori dovrebbero seguire determinati standard, come usare un cutoff chiaro e controllare le loro ipotesi. Anche l'esecuzione di test aggiuntivi può rendere i loro risultati più affidabili.
Quali sono le direzioni future per l'uso dell'RDD nella ricerca sanitaria?
Man mano che l'RDD cresce nella ricerca sanitaria, possiamo migliorarlo ulteriormente. Possiamo lavorare per migliorarlo, rendendo i risultati più generali e stabilendo standard chiari. Ciò contribuirà a rendere l'RDD uno strumento più forte per le decisioni sanitarie.
Collegamenti di origine
- 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