Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs
回归不连续设计中的异质性处理效应发现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：摘要明确围绕清晰与模糊回归不连续设计中的处理效应识别、异质性发现和统计推断展开。
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
回归不连续设计中的异质性处理效应发现
- 研究问题
- 如何在清晰与模糊回归不连续设计中自动发现处理效应异质性的相关协变量，并在数据驱动分组后维持有效推断？
- 方法与思路
- 作者提出诚实的回归不连续树，以处理前协变量划分叶节点，在各叶节点内使用非参数估计及预期均方误差最优带宽。
- 材料陈述的贡献
- 摘要称提出兼顾异质性发现与推断有效性的建树准则，通过蒙特卡洛模拟和罗马尼亚中学就读影响应用展示方法。
- 阅读关注点
- 应核对诚实样本分割、分裂准则、叶节点最小样本要求，以及模糊设计中估计目标、带宽选择与置信区间的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体识别条件、树选择规则及覆盖率结果，不能据此确认推断表现。
原文摘要
The paper proposes a causal supervised machine learning algorithm to uncover treatment effect heterogeneity in sharp and fuzzy regression discontinuity (RD) designs. We develop a criterion for building an honest ``regression discontinuity tree'', where each leaf contains the RD estimate of a treatment conditional on the values of some pre-treatment covariates. It is a priori unknown which covariates are relevant for capturing treatment effect heterogeneity, and it is the task of the algorithm to discover them, without invalidating inference, while employing a nonparametric estimator with expected MSE optimal bandwidth. We study the performance of the method through Monte Carlo simulations and apply it to uncover various sources of heterogeneity in the impact of attending a better secondary school in Romania.