Donut Regression Discontinuity Designs
甜甜圈断点回归设计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：摘要直接分析断点回归设计中的估计、置信区间与设定检验，属于因果推断方法。
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
甜甜圈断点回归设计
- 研究问题
- 剔除断点附近观测以应对操纵、排序或测量误差时，断点回归的偏差、方差和推断会如何变化，经验性实施是否可靠？
- 方法与思路
- 作者在局部线性估计框架下分析甜甜圈断点设计，推导点估计、置信区间与设定检验结果，并比较常规和剔除后的估计量。
- 材料陈述的贡献
- 摘要称剔除引入额外不确定性，已有偏差感知置信区间无需修改即可处理；还将两类估计量的比较形式化为有效设定检验。
- 阅读关注点
- 核对剔除半径、带宽及平滑性约束之间的关系，检查置信区间如何覆盖外推偏差，以及设定检验能识别哪些偏离。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体正则条件，也不能据此认定剔除断点附近观测必然消除操纵偏差。
原文摘要
Donut regression discontinuity (RD) designs exclude observations in a neighborhood around the cutoff. They are widely used in empirical work to address concerns about manipulation, sorting, or measurement error in the running variable. Despite their popularity, donut RD estimators are typically implemented heuristically, with limited formal guidance and unclear implications for bias, variance, and statistical inference. This paper provides a theoretical analysis of donut RD designs within the local linear estimation framework. We derive new results for point estimation, inference, and specification testing in donut RD designs. We show that donut trimming affects the bias and variance of the estimator and thus introduces substantial additional uncertainty relative to conventional RD estimators. We further show that recently developed bias-aware confidence intervals accurately account for this additional uncertainty without requiring modifications. Finally, we formalize specification tests based on comparing conventional and donut RD estimators to allow for valid statistical inference. The results are illustrated with two empirical applications.