Optimal estimation for regression discontinuity design with binary outcomes
二元结局回归不连续设计的最优估计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：摘要直接研究回归不连续设计中的处理效应估计和有限样本推断，二元结局并不意味着研究离散选择行为模型。
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…
二元结局回归不连续设计的最优估计
- 研究问题
- 在结局有界、尤其是二元结局的回归不连续设计中，如何获得小样本下的最小最大均方误差估计，并避免依赖大样本推断近似？
- 方法与思路
- 作者在 Lipschitz 回归函数类中优化非负权重的线性收缩估计量，将原问题转为凸优化，并提出不依赖大样本近似的一致有效推断。
- 材料陈述的贡献
- 摘要称估计量在指定类别内达到最小最大均方误差，唯一调节参数为 Lipschitz 常数；小样本模拟报告较小误差和较短区间。
- 阅读关注点
- 应核对最优性限定的估计量与函数类别、Lipschitz 常数如何选择，以及有限样本区间的覆盖保证和多断点应用的实施细节。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；最优性限于所述非负权重线性收缩类别，摘要未报告具体数值或常数敏感性。
原文摘要
We develop a finite-sample optimal estimator for regression discontinuity design when the outcomes are bounded, including binary outcomes as the leading case. Our estimator achieves minimax mean squared error among linear shrinkage estimators with nonnegative weights when the regression function lies in a Lipschitz class. Although the original minimax problem involves an iterative noncovex optimization problem, we show that our estimator is obtained by solving a convex optimization problem. A key advantage of the proposed estimator is that the Lipschitz constant is its only tuning parameter. We also propose a uniformly valid inference procedure without a large-sample approximation. In a simulation exercise for small samples, our estimator exhibits smaller mean squared errors and shorter confidence intervals than those of conventional large-sample techniques. In an empirical multi-cutoff design in which the sample size for each cutoff is small, our method yields informative confidence intervals, in contrast to the leading large-sample approach.