Nonparametric Regression under Cluster Sampling
聚类抽样下的非参数回归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：摘要研究一般聚类抽样的非参数估计，未明确涉及面板、网络干扰或处理效应识别。
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…
关注这篇论文的作者
聚类抽样下的非参数回归
- 研究问题
- 簇内观测相互依赖、簇规模增长且存在异质性时，核密度及非参数回归的偏差、方差和有效推断应如何调整？
- 方法与思路
- 作者为核密度、Nadaraya–Watson 及局部线性估计建立渐近理论，并构造聚类稳健带宽选择、方差估计和置信区间。
- 材料陈述的贡献
- 摘要称异质簇规模下方差含有反映簇内依赖的新项，建立一致性与渐近正态性，并在模拟中改善置信区间覆盖率。
- 阅读关注点
- 应核对簇间与簇内依赖条件、簇规模和带宽增长关系、新方差项的来源，以及带宽选择与覆盖率比较的具体设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出增长率和依赖假设，政策定位应用不足以证明一般因果识别。
原文摘要
This paper develops a general asymptotic theory for nonparametric kernel regression in the presence of cluster dependence. We examine nonparametric density estimation, Nadaraya-Watson kernel regression, and local linear estimation. Our theory accommodates growing and heterogeneous cluster sizes. We derive asymptotic conditional bias and variance, establish uniform consistency, and prove asymptotic normality. Our findings reveal that under heterogeneous cluster sizes, the asymptotic variance includes a new term reflecting within-cluster dependence, which is overlooked when cluster sizes are presumed to be bounded. We propose valid approaches for bandwidth selection and inference, introduce estimators of the asymptotic variance, and demonstrate their consistency. In simulations, we verify the effectiveness of the cluster-robust bandwidth selection and show that the derived cluster-robust confidence interval improves the coverage ratio. We illustrate the application of these methods using a policy-targeting dataset in development economics.