REGRESSION DISCONTINUITY DESIGN WITH POTENTIALLY MANY COVARIATES
可能包含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。
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高维协变量选择、估计与推断，直接属于因果推断。
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…
可能包含大量协变量的断点回归设计
- 研究问题
- 断点回归包含大量协变量时，如何进行局部变量选择，使点估计和区间推断在协变量数量变化下保持稳定？
- 方法与思路
- 作者结合核权重局部化与 ℓ₁ 惩罚处理高维协变量，提出估计和推断方法，并研究风险、覆盖率及效率条件。
- 材料陈述的贡献
- 摘要称方法具有相应风险和覆盖性质；在额外稀疏性等条件下可提高效率，模拟与实证展示对协变量数量的稳健表现。
- 阅读关注点
- 应核对断点识别条件、局部稀疏性、带宽和惩罚参数选择，以及选择后推断与效率改进所需的额外条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，识别与稀疏条件、风险界及改进幅度未说明；不能认定效率无条件提高或推断刊本变化。
原文摘要
This article examines high-dimensional covariates in regression discontinuity design (RDD) analysis. We introduce estimation and inference methods for the RDD models that incorporate covariate selection while maintaining stability across various numbers of covariates. The proposed methods combine a localization approach using kernel weights with $\ell _{1}$ -penalization to handle high-dimensional covariates. We provide both theoretical and numerical evidence demonstrating the efficacy of our methods. Theoretically, we present risk and coverage properties for our point estimation and inference methods. Conditions are given under which 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 examples 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.