Identification and Inference in General Bunching Designs
一般聚束设计中的识别与推断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：摘要明确以一般聚束设计中的结构参数识别、反事实估计与推断为研究对象。
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
一般聚束设计中的识别与推断
- 研究问题
- 在一般聚束设计中，如何利用反事实密度及观测协变量识别结构参数，并在放宽密度条件后进行部分识别和统计推断？
- 方法与思路
- 作者以反事实密度的解析性建立点识别，放宽该条件并纳入不等式限制开展部分识别，同时提出广义多项式估计与推断策略。
- 材料陈述的贡献
- 摘要称，该框架推广已有识别方法并允许观测协变量，修正常用多项式策略的若干不足；重新分析既有数据得到明显不同结果。
- 阅读关注点
- 应核对解析性如何支持点识别、放宽后识别集合如何构造，以及协变量处理、反事实外推与广义多项式推断的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出完整识别条件、区间构造或实证数值，结果差异不能直接证明新方法更准。
原文摘要
This paper develops an econometric framework and tools for the identification and inference of a structural parameter in general bunching designs. We present point and partial identification results, which generalize previous approaches in the literature. The key assumption for point identification is the analyticity of the counterfactual density, which defines a broader class of distributions than many commonly used parametric families. In the partial identification approach, the analyticity condition is relaxed and various inequality restrictions can be incorporated. Both of our identification approaches allow for observed covariates in the model, which has previously been permitted only in limited ways. These covariates allow us to account for observable factors that influence decisions regarding the running variable. We provide a suite of counterfactual estimation and inference methods, termed the generalized polynomial strategy. Our method restores the merits of the original polynomial strategy proposed by Chetty et al. (2011) while addressing several weaknesses in the widespread practice. The efficacy of the proposed method is demonstrated compared to the polynomial estimator in a series of Monte Carlo studies within the augmented isoelastic model. We revisit the data used in Saez (2010) and find substantially different results relative to those from the polynomial strategy.