Hierarchical Gaussian Process Models for Regression Discontinuity/Kink under Sharp and Fuzzy Designs
清晰与模糊断点及折点设计中的层级高斯过程模型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：摘要明确围绕清晰与模糊 RD/RK 设计的因果效应估计和推断展开。
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
清晰与模糊断点及折点设计中的层级高斯过程模型
- 研究问题
- 在清晰和模糊断点或折点设计中，如何利用非参数贝叶斯方法估计局部因果效应，并处理导数估计与不确定性量化？
- 方法与思路
- 作者使用高斯过程回归和分类构建 RD/RK 估计量，再加入中间贝叶斯神经网络层形成层级模型，并扩展到协变量调整。
- 材料陈述的贡献
- 摘要称，模拟中的精度、覆盖率和区间长度与竞争方法相当或更好，层级模型改善单层模型，并用于美国众议院现任优势分析。
- 阅读关注点
- 应核对断点和折点识别条件、模糊设计中分母的处理、核函数与先验设定，以及区间覆盖和层级模型改进的比较范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未经核验；摘要未列出识别及推断条件，也未提供模拟优势或现任优势的具体数值。
原文摘要
We propose nonparametric Bayesian estimators for causal inference exploiting Regression Discontinuity/Kink (RD/RK) under sharp and fuzzy designs. Our estimators are based on Gaussian Process (GP) regression and classification. The GP methods are powerful probabilistic machine learning approaches that are advantageous in terms of derivative estimation and uncertainty quantification, facilitating RK estimation and inference of RD/RK models. These estimators are extended to hierarchical GP models with an intermediate Bayesian neural network layer and can be characterized as hybrid deep learning models. Monte Carlo simulations show that our estimators perform comparably to and sometimes better than competing estimators in terms of precision, coverage and interval length. The hierarchical GP models considerably improve upon one-layer GP models. We apply the proposed methods to estimate the incumbency advantage of US house elections. Our estimations suggest a significant incumbency advantage in terms of both vote share and probability of winning in the next elections. Lastly we present an extension to accommodate covariate adjustment.