Regression Discontinuity Designs (RDDs) sind eine Art von quasi-experimentellem Forschungsdesign, das verwendet werden kann, um den kausalen Effekt einer Behandlung oder Politik auf ein bestimmtes Ergebnis zu schätzen. Das Design basiert auf der Idee, dass die Zuweisung der Behandlung oder des Zugangs zu einem Programm auf einer kontinuierlichen Variable beruht, wie z. B. einer Punktzahl in einem Test oder einer Altersgrenze. Die RDD wird verwendet, um die kausale Wirkung des Programms oder der Behandlung zu schätzen, indem die Ergebnisse von Personen knapp über und knapp unter dem Schwellenwert verglichen werden.

RDDs haben mehrere Vorteile gegenüber anderen quasi-experimentellen Designs, wie z. B. randomisierten kontrollierten Studien oder Propensity Score Matching. Einer der Hauptvorteile besteht darin, dass RDDs in Situationen eingesetzt werden können, in denen eine Randomisierung nicht möglich oder sinnvoll ist. Darüber hinaus können RDDs potenzielle Störfaktoren kontrollieren, die mit dem Schwellenwert in Verbindung stehen können, wie z. B. der sozioökonomische Status oder Ergebnisse vor der Behandlung. Allerdings haben RDDs auch einige Einschränkungen, wie das Potenzial für Messfehler und die Notwendigkeit einer großen Stichprobengröße, um kleine Behandlungseffekte zu erkennen.

RDDs sind ein wichtiges Instrument im Werkzeugkasten der Wirkungsevaluierung und werden häufig in Bereichen wie Wirtschaft, Politikwissenschaft und Bildung eingesetzt, um kausale Effekte von Maßnahmen und Programmen zu schätzen. Aufgrund ihrer Vielseitigkeit und der Möglichkeit, für potenzielle Störfaktoren zu kontrollieren, sind RDDs in den letzten Jahren immer beliebter geworden, um kausale Effekte in Situationen zu schätzen, in denen eine Randomisierung nicht möglich ist.