Optimized Regression Discontinuity Designs
优化回归不连续设计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：摘要明确研究观察性数据中的回归不连续处理效应估计及置信区间，直接对应因果推断细分。
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
优化回归不连续设计
- 研究问题
- 回归不连续设计中，如何直接针对断点效应优化估计和区间，而非依赖两侧非参数回归的通用拟合与调参？
- 方法与思路
- 作者在条件响应函数二阶导数有给定上界的约束下，用数值凸优化求有限样本极小极大线性估计量并构造区间。
- 材料陈述的贡献
- 摘要称给定曲率界后方法完全由数据驱动，提供适用于离散和连续运行变量的统一置信区间，并可扩展至多运行变量。
- 阅读关注点
- 应核对二阶导数界如何设定、极小极大目标与比较类、区间统一覆盖的函数类，以及离散运行变量下的识别边界。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供曲率界的选择依据，数据驱动结论以给定该界为前提。
原文摘要
The increasing popularity of regression discontinuity methods for causal inference in observational studies has led to a proliferation of different estimating strategies, most of which involve first fitting non-parametric regression models on both sides of a treatment assignment boundary and then reporting plug-in estimates for the effect of interest. In applications, however, it is often difficult to tune the non-parametric regressions in a way that is well calibrated for the specific target of inference; for example, the model with the best global in-sample fit may provide poor estimates of the discontinuity parameter. In this paper, we propose an alternative method for estimation and statistical inference in regression discontinuity designs that uses numerical convex optimization to directly obtain the finite-sample-minimax linear estimator for the regression discontinuity parameter, subject to bounds on the second derivative of the conditional response function. Given a bound on the second derivative, our proposed method is fully data-driven, and provides uniform confidence intervals for the regression discontinuity parameter with both discrete and continuous running variables. The method also naturally extends to the case of multiple running variables.