Empirical likelihood for regression discontinuity design
回归不连续设计的经验似然推断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：摘要明确研究由尖锐和模糊回归不连续设计识别的因果效应，因此归入因果推断。
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…
回归不连续设计的经验似然推断
- 研究问题
- 对尖锐与模糊回归不连续设计识别的因果效应，能否使用经验似然构造无需估计渐近方差、且形状自然的置信集合？
- 方法与思路
- 作者将经验似然用于非参数断点回归函数的推断，分别处理尖锐和模糊设计，并讨论带宽选择及尖锐设计的Bartlett校正。
- 材料陈述的贡献
- 摘要称，所提程序无需渐近方差估计，尖锐设计的统计量还可进行高阶校正；模拟和班级规模应用展示了这些特征。
- 阅读关注点
- 应核对两类断点设计的识别与平滑条件、经验似然约束的构造，以及带宽选择和Bartlett校正改善推断的适用范围。
- 阅读边界
- 出版社摘要未给具体识别假设、带宽规则或覆盖率数值；高阶校正只明确针对尖锐设计，不能自行推广至模糊设计。
原文摘要
This paper proposes empirical likelihood based inference methods for causal effects identified from regression discontinuity designs. We consider both the sharp and fuzzy regression discontinuity designs and treat the regression functions as nonparametric. The proposed inference procedures do not require asymptotic variance estimation and the confidence sets have natural shapes, unlike the conventional Wald-type method. These features are illustrated by simulations and an empirical example which evaluates the effect of class size on pupils’ scholastic achievements. Furthermore, for the sharp regression discontinuity design, we show that the empirical likelihood statistic admits a higher-order refinement, so-called the Bartlett correction. Bandwidth selection methods are also discussed.