Pengantar Regression Discontinuity Design (RDD)

Regression discontinuity design (RDD) adalah salah satu metode penelitian kuantitatif yang dapat digunakan untuk mengukur efek kausal dari suatu intervensi atau perlakuan. Metode ini berbeda dari metode eksperimen atau quasi-eksperimen lainnya karena tidak mengandalkan randomisasi atau pemilihan sampel yang seimbang untuk menentukan siapa yang mendapatkan perlakuan dan siapa yang tidak. Sebaliknya, metode ini memanfaatkan adanya suatu batas atau ambang nilai dari suatu variabel penentu (predictor variable) yang memisahkan kelompok perlakuan dan kontrol.

Apa itu RDD?

Secara sederhana, RDD dapat diilustrasikan dengan contoh berikut. Misalkan kita ingin mengetahui apakah program bantuan sosial berpengaruh terhadap tingkat kemiskinan di suatu daerah. Kita tidak dapat melakukan randomisasi karena program tersebut hanya diberikan kepada keluarga yang memiliki pendapatan di bawah Rp 1 juta per bulan. Jadi, ada suatu batas atau ambang pendapatan yang menentukan siapa yang berhak mendapatkan program tersebut dan siapa yang tidak. Batas ini disebut sebagai titik diskontinuitas (discontinuity point).

Kita dapat membandingkan tingkat kemiskinan antara keluarga yang memiliki pendapatan sedikit di atas batas tersebut dengan keluarga yang memiliki pendapatan sedikit di bawah batas tersebut. Kita asumsikan bahwa kedua kelompok ini memiliki karakteristik yang serupa kecuali perbedaan pendapatan mereka. Jika kita menemukan bahwa ada perbedaan signifikan dalam tingkat kemiskinan antara kedua kelompok ini, maka kita dapat menyimpulkan bahwa program bantuan sosial memiliki efek kausal terhadap tingkat kemiskinan.

Sejarah dan contoh RDD

Metode RDD pertama kali diperkenalkan oleh Thistlewaite dan Campbell (1960) dalam konteks evaluasi efek beasiswa terhadap prestasi akademik siswa sekolah menengah. Mereka menggunakan nilai tes sebagai variabel penentu untuk membagi siswa menjadi dua kelompok: siswa yang mendapatkan beasiswa karena nilai tes mereka melebihi batas tertentu, dan siswa yang tidak mendapatkan beasiswa karena nilai tes mereka kurang dari batas tersebut.

Sejak itu, metode RDD telah banyak digunakan dalam berbagai bidang ilmu sosial seperti ekonomi, politik, pendidikan, kesehatan, dan lain-lain. Beberapa contoh aplikasi metode ini adalah:

• Evaluasi efek kebijakan pajak progresif terhadap perilaku kerja individu (Saez 2010).

• Evaluasi efek kampanye antirokok terhadap konsumsi rokok remaja (Carpenter dan Dobkin 2009).
• Evaluasi efek program afirmasi diri terhadap prestasi akademik siswa minoritas (Cohen et al. 2006)

Jenis-jenis RDD

Terdapat tiga jenis utama RDD yang dapat dibedakan berdasarkan karakteristik variabel penentu dan perlakuan, yaitu:

Sharp RDD

Sharp RDD adalah jenis RDD yang paling sederhana dan ideal, di mana variabel penentu secara pasti menentukan siapa yang mendapatkan perlakuan dan siapa yang tidak. Dengan kata lain, tidak ada ketidakpastian atau variasi dalam pemberian perlakuan di sekitar titik diskontinuitas. Contoh sharp RDD adalah kasus beasiswa yang disebutkan sebelumnya, di mana siswa yang memiliki nilai tes di atas batas tertentu pasti mendapatkan beasiswa dan siswa yang memiliki nilai tes di bawah batas tersebut pasti tidak mendapatkan beasiswa.

Fuzzy RDD

Fuzzy RDD adalah jenis RDD yang lebih realistis dan umum, di mana variabel penentu hanya mempengaruhi probabilitas seseorang mendapatkan perlakuan, tetapi tidak menjaminnya. Dengan kata lain, ada kemungkinan bahwa seseorang yang seharusnya mendapatkan perlakuan tidak mendapatkannya atau sebaliknya. Contoh fuzzy RDD adalah kasus program antirokok yang disebutkan sebelumnya, di mana remaja yang berusia 18 tahun atau lebih memiliki hak untuk membeli rokok secara legal, tetapi ada beberapa remaja yang masih bisa membeli rokok secara ilegal atau melalui orang lain.

Generalized RDD

Generalized RDD adalah jenis RDD yang lebih fleksibel dan luas, di mana variabel penentu tidak harus bersifat diskrit atau kategorikal, tetapi bisa juga bersifat kontinu atau ordinal. Selain itu, titik diskontinuitas juga tidak harus bersifat tetap atau tunggal, tetapi bisa juga bersifat berubah-ubah atau multipel. Contoh generalized RDD adalah kasus kebijakan pajak progresif yang disebutkan sebelumnya, di mana tingkat pajak bergantung pada tingkat pendapatan individu yang bersifat kontinu dan memiliki banyak ambang nilai.

Kelebihan dan kekurangan RDD

RDD memiliki beberapa kelebihan sebagai metode penelitian kausal, antara lain:

• Tidak memerlukan randomisasi atau pemilihan sampel yang seimbang untuk mengontrol variabel pengganggu (confounding variables).
• Memanfaatkan adanya variasi alami dalam pemberian perlakuan akibat adanya batas atau ambang nilai dari suatu variabel penentu.
• Dapat digunakan untuk mengevaluasi efek kausal dari program-program nyata yang memiliki kriteria penerimaan berdasarkan suatu variabel penentu.
• Dapat menghasilkan estimasi efek perlakuan yang akurat dan konsisten jika asumsi-asumsi dasar terpenuhi.

Namun demikian, RDD juga memiliki beberapa kekurangan atau keterbatasan sebagai metode penelitian kausal, antara lain:

• Memerlukan adanya asumsi-asumsi dasar yang harus dipenuhi agar estimasi efek perlakuan tidak bias atau salah. Beberapa asumsi tersebut adalah¹:
  • Ada diskontinuitas dalam probabilitas mendapatkan perlakuan di titik diskontinuitas.
  • Nilai variabel penentu tidak dapat dimanipulasi oleh individu atau pihak lain.
  • Tidak ada variabel pengganggu lain yang juga mengalami diskontinuitas di titik diskontinuitas.
  • Fungsi hubungan antara variabel penentu dan hasil tidak berubah secara drastis di sekitar titik diskontinuitas.
• Membutuhkan jumlah sampel yang cukup besar dan seimbang di sekitar titik diskontinuitas agar estimasi efek perlakuan memiliki presisi dan validitas yang tinggi.
• Hanya dapat mengevaluasi efek perlakuan secara lokal di sekitar titik diskontinuitas, sehingga tidak dapat digeneralisasi ke populasi yang lebih luas atau berbeda karakteristiknya.

Demikianlah penjelasan singkat tentang RDD sebagai metode penelitian kausal. Semoga bermanfaat!

Baca juga :

• Tips memilih Variabel Covariat Metode Propensity Score Maching
• HonestDiD: Package Untuk membuat sensitivity Analisis DID
• Topic Modelling Menggunakan Aplikasi Stata

Referensi

• https://www.sciencedirect.com/topics/economics-econometrics-and-finance/regression-discontinuity-design
• https://scholar.harvard.edu/files/imbens/files/regression_discontinuity_designs_a_guide_to_practice.pdf
• https://en.wikipedia.org/wiki/Regression_discontinuity_design
• https://www.sciencedirect.com/topics/economics-econometrics-and-finance/regression-discontinuity-design
• https://dimewiki.worldbank.org/Regression_Discontinuity
• https://evalf20.classes.andrewheiss.com/example/rdd-fuzzy/
• https://econ.lse.ac.uk/staff/spischke/ec533/RD.pdf
• https://en.wikipedia.org/wiki/Regression_discontinuity_design
• https://mathsgee.com/22180/assumptions-limitations-regression-discontinuity-design
• https://academic.oup.com/ije/article/46/3/939/2670318
• https://econ.lse.ac.uk/staff/spischke/ec533/RD.pdf
• https://evalf20.classes.andrewheiss.com/example/rdd-fuzzy/