Local regression distribution estimators
局部回归分布估计量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：摘要直接研究分布与密度估计，并以项目评估中的反事实密度检验和工具变量分析为应用。
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…
局部回归分布估计量
- 研究问题
- 如何统一刻画局部回归分布估计量在边界与内部点的大样本行为，并据此改进效率、构造有效置信带？
- 方法与思路
- 作者建立逐点高斯近似、统一线性化与强近似，研究含冗余回归项的最小距离实现，并扩展至估计权重分布。
- 材料陈述的贡献
- 摘要称该框架统一处理边界与内部点推断，特定最小距离实现可提高效率，并支持置信带及项目评估应用。
- 阅读关注点
- 应核对平滑与带宽条件、冗余回归项带来效率增益的机制、置信带覆盖理论，以及估计权重误差的处理。
- 阅读边界
- 仅依据所给出版社摘要；效率增益的适用条件、有限样本覆盖表现和应用中的识别要求，摘要未具体说明。
原文摘要
This paper investigates the large sample properties of local regression distribution estimators, which include a class of boundary adaptive density estimators as a prime example. First, we establish a pointwise Gaussian large sample distributional approximation in a unified way, allowing for both boundary and interior evaluation points simultaneously. Using this result, we study the asymptotic efficiency of the estimators, and show that a carefully crafted minimum distance implementation based on “redundant” regressors can lead to efficiency gains. Second, we establish uniform linearizations and strong approximations for the estimators, and employ these results to construct valid confidence bands. Third, we develop extensions to weighted distributions with estimated weights and to local L2 estimation. Finally, we illustrate our methods with two applications in program evaluation: counterfactual density testing, and IV specification and heterogeneity density analysis. Companion software packages in Stata and R are available.