On Robust Empirical Likelihood for Nonparametric Regression with Application to Regression Discontinuity Designs
非参数回归的稳健经验似然及其断点回归应用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：摘要明确将方法用于清晰与模糊断点回归设计，支持因果推断分类；一般非参数回归部分不另行强配领域。
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…
非参数回归的稳健经验似然及其断点回归应用
- 研究问题
- 在非参数回归与断点回归中，如何让经验似然置信区间兼顾平滑偏误校正及其额外变异，减少对欠平滑带宽的依赖？
- 方法与思路
- 作者构造同时进行偏误校正和计入估计偏误额外变异的稳健权重，并研究非参数回归、清晰及模糊断点设计中的 Wilks 现象。
- 材料陈述的贡献
- 摘要称，所提程序在较弱条件下支持有效区间；模拟显示覆盖率、区间长度及带宽稳健性有所改善，并提供两项数据应用。
- 阅读关注点
- 应核对稳健权重构造、带宽与光滑性条件、模糊断点的分母处理，以及模拟中的比较方法是否采用可比的调参规则。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未给出所谓较弱条件和具体比较数值，不能据此断言所有带宽下均有优势。
原文摘要
Empirical likelihood serves as a powerful tool for constructing confidence intervals in nonparametric regression and regression discontinuity designs (RDD). The original empirical likelihood framework can be naturally extended to these settings using local linear smoothers, with Wilks' theorem holding only when an undersmoothed bandwidth is selected. However, the generalization of bias-corrected versions of empirical likelihood under more realistic conditions is non-trivial and has remained an open challenge in the literature. This paper provides a satisfactory solution by proposing a novel approach, referred to as robust empirical likelihood, designed for nonparametric regression and RDD. The core idea is to construct robust weights which simultaneously achieve bias correction and account for the additional variability introduced by the estimated bias, thereby enabling valid confidence interval construction without extra estimation steps involved. We demonstrate that the Wilks' phenomenon still holds under weaker conditions in nonparametric regression, sharp and fuzzy RDD settings. Extensive simulation studies confirm the effectiveness of our proposed approach, showing superior performance over existing methods in terms of coverage probabilities and interval lengths. Moreover, the proposed procedure exhibits robustness to bandwidth selection, making it a flexible and reliable tool for empirical analyses. The practical usefulness is further illustrated through applications to two real datasets.