RIF Regression via Sensitivity Curves
通过敏感性曲线实现再中心化影响函数回归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：摘要研究协变量对均值之外统计量的 RIF 回归，并应用于极化指数，因此直接对应分位数与分布效应方向。
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…
通过敏感性曲线实现再中心化影响函数回归
- 研究问题
- 当目标统计量的影响函数未知或难以计算时，如何用可行的替代方式实施 RIF 回归，并控制大样本中的计算负担？
- 方法与思路
- 作者用敏感性曲线近似影响函数，依据其依概率收敛性质实现 RIF 回归；为节约计算，在随机子样本上计算后用三次样条插值。
- 材料陈述的贡献
- 摘要称，该方案拓展了影响函数难以获得时的 RIF 回归实现方式，模拟显示良好有限样本性质，并以极化指数应用进行说明。
- 阅读关注点
- 核对敏感性曲线收敛的条件、子样本规模和样条拟合规则，以及近似误差如何影响回归推断，并审查协变量效应的解释范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明误差控制和具体数值，RIF 回归关系也不能自动解释为因果效应。
原文摘要
This paper proposes an empirical method to implement the recentered influence function (RIF) regression of Firpo, Fortin and Lemieux (2009), a relevant method to study the effect of covariates on many statistics beyond the mean. In empirically relevant situations where the influence function is not available or difficult to compute, we suggest to use the \emph{sensitivity curve} (Tukey, 1977) as a feasible alternative. This may be computationally cumbersome when the sample size is large. The relevance of the proposed strategy derives from the fact that, under general conditions, the sensitivity curve converges in probability to the influence function. In order to save computational time we propose to use a cubic splines non-parametric method for a random subsample and then to interpolate to the rest of the cases where it was not computed. Monte Carlo simulations show good finite sample properties. We illustrate the proposed estimator with an application to the polarization index of Duclos, Esteban and Ray (2004).