Inference in regression discontinuity designs with high-dimensional covariates
含高维协变量的断点回归设计推断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。
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：摘要明确围绕断点回归设计的处理效应估计与推断，协变量筛选服务于该因果推断设计的精度改进。
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
含高维协变量的断点回归设计推断
- 研究问题
- 在预定协变量数量可能远超样本量的断点回归设计中，如何利用协变量提高处理效应估计精度并开展推断？
- 方法与思路
- 先通过局部化lasso类程序选择少量重要协变量，再将其线性加入常规局部线性断点估计，形成两步估计量。
- 材料陈述的贡献
- 摘要称，近似稀疏条件下估计量渐近正态，偏差和方差在概念上类似低维情形，可采用标准带宽选择与推断方法。
- 阅读关注点
- 核对近似稀疏条件、局部变量选择及调参规则，以及选择误差如何进入偏差、方差估计和置信区间有效性的论证。
- 阅读边界
- 摘要未说明完整正则条件、允许的维度增长范围或实证改善幅度；标准推断可用的结论受相应理论条件约束。
原文摘要
Summary We study regression discontinuity designs in which many predetermined covariates, possibly much more than the number of observations, can be used to increase the precision of treatment effect estimates. We consider a two-step estimator which first selects a small number of ‘important’ covariates through a localised lasso-type procedure, and then, in a second step, estimates the treatment effect by including the selected covariates linearly into the usual local linear estimator. We provide an in-depth analysis of the algorithm’s theoretical properties, showing that, under an approximate sparsity condition, the resulting estimator is asymptotically normal, with asymptotic bias and variance that are conceptually similar to those obtained in low-dimensional settings. Bandwidth selection and inference can be carried out using standard methods. We also provide simulations and an empirical application.