Extrapolating Treatment Effects in Multi-Cutoff Regression Discontinuity Designs
多阈值回归不连续设计中的处理效应外推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：摘要明确研究回归不连续设计、项目评价及处理效应外推，直接属于因果推断。
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…
多阈值回归不连续设计中的处理效应外推
- 研究问题
- 回归不连续设计通常只能识别阈值附近的局部处理效应；存在多个阈值时，如何将效应外推到远离资格阈值的位置？
- 方法与思路
- 作者利用多个阈值构造基于设计的外推方法，采用类似双重差分共同趋势思想的识别假设，并以哥伦比亚贷款项目说明。
- 材料陈述的贡献
- 摘要称提出多阈值回归不连续效应外推方法，并为考试成绩远离资格阈值的学生提供教育就读方面的项目效应证据。
- 阅读关注点
- 应核对类似共同趋势假设的正式内容、跨阈值可比性、外推区间与支持条件，以及应用中效应估计和不确定性处理。
- 阅读边界
- 依据 arXiv 1808.04416v3 预印本摘要，不能据此声称该版本已同行评审或获接收；未提供完整识别条件、效应数值或刊本变化。
原文摘要
In non-experimental settings, the Regression Discontinuity (RD) design is one of the most credible identification strategies for program evaluation and causal inference. However, RD treatment effect estimands are necessarily local, making statistical methods for the extrapolation of these effects a key area for development. We introduce a new method for extrapolation of RD effects that relies on the presence of multiple cutoffs, and is therefore design-based. Our approach employs an easy-to-interpret identifying assumption that mimics the idea of "common trends" in difference-in-differences designs. We illustrate our methods with data on a subsidized loan program on post-education attendance in Colombia, and offer new evidence on program effects for students with test scores away from the cutoff that determined program eligibility.