Nonparametric Estimation of Truncated Conditional Expectation Functions
截断条件期望函数的非参数估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：条件分位数截断直接涉及分布方法，摘要还明确列出断点设计与存在样本选择的随机实验，支持归入因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
截断条件期望函数的非参数估计
- 研究问题
- 当结果变量按其条件分布的分位数进行上截断或下截断时，如何非参数估计截断条件期望，并处理截断点需要估计的问题？
- 方法与思路
- 作者提出基于局部线性的两阶段估计，先估计条件分位数，再利用 Neyman 正交矩估计截断条件期望，并扩展至分位水平也需估计的情形。
- 材料陈述的贡献
- 摘要称，正交构造降低了首阶段估计误差的影响，使标准非参数回归推断方法可被调整使用，并给出断点与样本选择应用。
- 阅读关注点
- 应核对正交矩构造、带宽和首阶段收敛要求、截断点估计对推断的影响，以及操纵运行变量和样本选择应用中的识别依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供具体正则条件，不能据此判断有限样本表现或应用结论可靠性。
原文摘要
Truncated conditional expectation functions are objects of interest in a wide range of economic applications, including income inequality measurement, financial risk management, and impact evaluation. They typically involve truncating the outcome variable above or below certain quantiles of its conditional distribution. In this paper, based on local linear methods, a novel, two-stage, nonparametric estimator of such functions is proposed. In this estimation problem, the conditional quantile function is a nuisance parameter that has to be estimated in the first stage. The proposed estimator is insensitive to the first-stage estimation error owing to the use of a Neyman-orthogonal moment in the second stage. This construction ensures that inference methods developed for the standard nonparametric regression can be readily adapted to conduct inference on truncated conditional expectations. As an extension, estimation with an estimated truncation quantile level is considered. The proposed estimator is applied in two empirical settings: sharp regression discontinuity designs with a manipulated running variable and randomized experiments with sample selection.