Mediante la comparación de las observaciones que se extienden estrechamente a ambos lados del umbral, es posible estimar el efecto promedio del tratamiento en entornos en los que la aleatorización era inviable.
En primer lugar aplicada por Donald Thistlewaite y Donald T. Campbell a la evaluación de los programas de becas,[1] la RDD se ha vuelto cada vez más popular en los últimos años.
Incluso si la beca no mejoró las calificaciones en absoluto, los beneficiarios habrían obtenido mejores resultados que los no beneficiarios, simplemente porque las becas se otorgan a estudiantes que estaban funcionando bien ex ante.
Los dos enfoques más comunes para la estimación utilizando un DRD son el paramétrico y el no-paramétrico (normalmente regresión polinómica).
El método no paramétrico más común utilizado en el contexto DRD es una regresión lineal local.
Se ajustan diferentes pendientes e intersecciones a cada lado del punto de corte.
[4] La principal ventaja de utilizar métodos no paramétricos en un DRD es que proporcionan estimaciones basadas en los datos más cerca del punto de corte, lo que los hace intuitivamente atractivo.
[4] De manera más formal, se prefieren las regresiones lineales locales, ya que tienen mejores propiedades de polarización[3] y tienen una mejor convergencia.
[5] Sin embargo, el uso de ambos tipos de estimación, si es factible, es una forma útil para argumentar que los resultados estimados no dependen demasiado del enfoque particular adoptado.