Wild bootstrap for fuzzy regression discontinuity designs: obtaining robust bias-corrected confidence intervals
模糊断点回归的野生自助法：构造稳健偏差校正置信区间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。
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：摘要明确针对模糊断点回归的处理效应推断，并以班级规模对成绩的影响作为应用。
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
模糊断点回归的野生自助法：构造稳健偏差校正置信区间
- 研究问题
- 在模糊断点回归中，如何用野生自助法构造稳健偏差校正置信区间，并在存在内生性和聚类的设定下评估准确性？
- 方法与思路
- 作者提出用于模糊断点设计的野生自助程序，在类似既有稳健偏差校正方法的条件下研究区间有效性，并进行模拟与应用。
- 材料陈述的贡献
- 摘要称模拟中该方法至少与插入式解析校正同样准确，并通过重新分析班级规模与学生成绩展示其经验相关性。
- 阅读关注点
- 应核对自助抽样与偏差校正如何结合、聚类如何处理，以及带宽、工具变量强度和区间有效性所需的具体条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出完整条件、覆盖率或区间长度，模拟比较不能证明该方法在所有模糊断点设计中更优。
原文摘要
Summary This paper develops a novel wild bootstrap procedure to construct robust bias-corrected valid confidence intervals for fuzzy regression discontinuity designs, providing an intuitive complement to existing robust bias-corrected methods. The confidence intervals generated by this procedure are valid under conditions similar to the procedures proposed by Calonico et al. (2014) and related literature. Simulations provide evidence that this new method is at least as accurate as the plug-in analytical corrections when applied to a variety of data-generating processes featuring endogeneity and clustering. Finally, we demonstrate its empirical relevance by revisiting Angrist and Lavy (1999) analysis of class size on student outcomes.