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。
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：摘要聚焦聚类抽样下的通用非参数回归，未明确设定因果目标、面板结构或其他所列方向，因而保留空分类。
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
- 当聚类规模增长且各簇大小不一时，簇内相关如何影响核密度与非参数回归的偏差、方差及置信区间？
- 方法与思路
- 作者研究核密度、Nadaraya–Watson 和局部线性估计，推导聚类依赖下的渐近理论，并设计带宽与方差估计方法。
- 材料陈述的贡献
- 摘要称，异质簇规模会产生额外的簇内依赖方差项；论文给出一致性、渐近正态性及聚类稳健推断方法。
- 阅读关注点
- 应核对簇数量和簇规模的增长关系、簇内外依赖限制，以及新增方差项如何改变带宽选择和置信区间覆盖率。
- 阅读边界
- 摘要未说明具体增长条件和覆盖率改善幅度，政策定向应用也不足以确立因果解释；仅依据所给出版社摘要版本。
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.