Regression Discontinuity Design with Potentially Many Covariates
具有潜在大量协变量的断点回归设计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：摘要明确研究断点回归设计中的协变量调整、估计与推断。
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…
具有潜在大量协变量的断点回归设计
- 研究问题
- 断点回归中协变量数量可能很大时，如何进行变量选择、点估计与区间推断，并维持对维度变化的稳定表现？
- 方法与思路
- 作者将使用核权重的局部估计与 ℓ₁ 惩罚结合处理高维协变量，并研究点估计风险及推断覆盖性质。
- 材料陈述的贡献
- 摘要称方法具有理论与数值支持；在额外稀疏条件下的特定情形中，估计量比常规协变量调整方法更有效率。
- 阅读关注点
- 应核对高维与稀疏条件、带宽和惩罚参数选择、变量选择后的推断，以及效率改善所限的特殊情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列出风险界或覆盖条件，不能将特定情形的效率改善泛化。
原文摘要
This paper studies the case of possibly high-dimensional covariates in the regression discontinuity design (RDD) analysis. In particular, we propose estimation and inference methods for the RDD models with covariate selection which perform stably regardless of the number of covariates. The proposed methods combine the local approach using kernel weights with $\ell_{1}$-penalization to handle high-dimensional covariates. We provide theoretical and numerical results which illustrate the usefulness of the proposed methods. Theoretically, we present risk and coverage properties for our point estimation and inference methods, respectively. Under certain special case, the proposed estimator becomes more efficient than the conventional covariate adjusted estimator at the cost of an additional sparsity condition. Numerically, our simulation experiments and empirical example show the robust behaviors of the proposed methods to the number of covariates in terms of bias and variance for point estimation and coverage probability and interval length for inference.