Robust inference for geographic regression discontinuity designs: assessing the impact of police precincts
地理断点设计的稳健推断：评估警察辖区的影响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：摘要明确研究地理断点设计、局部平均处理效应及因果检验。
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…
地理断点设计的稳健推断：评估警察辖区的影响
- 研究问题
- 如何利用纽约警察辖区边界附近的逮捕记录识别执法实践差异，并在传统连续性或局部随机化假设受损时进行有效检验？
- 方法与思路
- 作者为来自空间点过程的数据提出地理断点估计目标与估计量，并设计特殊重抽样程序，在较弱假设下估计检验统计量的零分布。
- 材料陈述的贡献
- 摘要称检验能容许传统断点假设的部分违反，也适用于数值型断点数据；纽约逮捕率分析结果与传统方法存在明显差异。
- 阅读关注点
- 应核对替代传统假设的具体条件、边界窗口与估计目标、重抽样保留的空间结构，以及有效检验是否同时支持效应大小估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未写明较弱假设，不能理解为任意边界排序或空间混杂下都能稳健识别。
原文摘要
We study variation in policing outcomes attributable to differential policing practices in New York City (NYC) using geographic regression discontinuity designs (GeoRDDs). By focusing on small geographic windows near police precinct boundaries we can estimate local average treatment effects of police precinct practices on arrest rates. We propose estimands and develop estimators for the GeoRDD when the data come from a spatial point process. Standard GeoRDDs rely on continuity assumptions of the potential outcome surface or a local randomization assumption within a window around the boundary. These assumptions, however, can easily be violated in real applications. We develop a novel and robust approach to testing whether there are differences in policing outcomes that are caused by differences in police precinct policies across NYC. Importantly, this approach is applicable to standard regression discontinuity designs with both numeric and point process data. This approach is robust to violations of traditional assumptions made, and is valid under weaker assumptions. We use a unique form of resampling to provide a valid estimate of our test statistic's null distribution even under violations of standard assumptions. This procedure gives substantially different results in the analysis of NYC arrest rates than those that rely on standard assumptions.