En statistique, économie, science politique et plusieurs autres disciplines, une régression sur discontinuité (RSD), ou regression discontinuity design en anglais, est une méthode d'inférence causale. Cette méthode se focalise sur les caractéristiques des observations de part et d'autre d'un seuil défini par le chercheur. Cette technique fut utilisée en premier par Donald Thistlethwaith et Donald Campbell afin d'évaluer l'effet des bourses scolaires. Son utilisation a crû récemment, sa pertinence étant confirmée en comparant les résultats obtenus via cette technique avec ceux obtenus via les essais randomisés contrôlés. La méthode RSD se base sur la fixation d'un seuil et de bornes proches de ce seuil pour le groupe traitement et le groupe contrôle. Les bornes doivent chacune avoir une certaine proximité avec le seuil, de sorte que les différences observées à chaque groupe soient attribuables au traitement et non à une différence dans les caractéristiques des groupes traités. Le problème lié aux différences de caractéristiques des groupes est aujourd'hui évitable grâce à la méthode de l'essai randomisé contrôlé. Les stratégies d'estimation des RDD les plus communes sont l'approche paramétrique et l'approche non-paramétrique. Parmi l'approche non-paramétrique, la méthode la plus utilisée est celle de la régression linéaire localisée, de la forme : où représente le seuil et est une variable binaire valant 1 si . représente l'intervalle que l'on prend de chaque côté du seuil, de telle sorte que . L'intérêt de cette approche est qu'elle repose sur des données très proches du seuil, ce qui permet de réduire le biais pouvant venir de l'utilisation plus éloignées de ce seuil et donc plus sensibles à des caractéristiques autres que le traitement. La régression linéaire localisée a également de meilleures propriétés en termes de biais mais aussi de convergence. Cependant, il est préférable d'utiliser les deux approches afin d'avoir des résultats qui ne reposent pas que sur l'une des deux et qui sont donc plus robustes.