A Unified Framework for Identification and Inference of Local Treatment Effects in Sharp Regression Kink Designs
尖锐回归折点设计中局部处理效应识别与推断的统一框架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：摘要直接研究回归折点因果识别，以及分位数、不平等指标等结果分布特征的处理效应。
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
尖锐回归折点设计中局部处理效应识别与推断的统一框架
- 研究问题
- 如何在尖锐回归折点设计中识别处理在折点处边际变化对结果分布不同特征的局部影响，并进行估计和统一推断？
- 方法与思路
- 作者围绕结果分布的Hadamard可微泛函建立识别框架，将估计对象分为两类，使用局部多项式约束回归和重抽样推断。
- 材料陈述的贡献
- 摘要称框架涵盖均值、分位数及不平等指标，并包含已有折点估计对象；提供渐近理论，应用于失业保险与失业持续时间。
- 阅读关注点
- 应核对折点处的识别条件、分布泛函的可微要求、两类估计对象的区别，以及带宽、约束回归和统一重抽样推断的实现。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未给出具体识别假设、重抽样条件或应用结果，不能据此判断政策影响大小。
原文摘要
This paper develops a unified framework for the identification, estimation, and uniform inference of local treatment effects (LTEs) in sharp regression kink designs (RKDs). These LTEs quantify the effect of a marginal change in the treatment at the kink point on various features of the outcome distribution. The identification strategy applies to Hadamard-differentiable functionals of the outcome distribution -- including means, quantiles, and inequality measures -- and encompasses several existing RKD estimands as special cases. For estimation, we categorize the corresponding estimands into two general classes and implement their estimation via local polynomial constrained regression. We establish the asymptotic theory for this framework and provide a valid resampling procedure for uniform inference. The method is applied to examine the effect of unemployment insurance on unemployment durations, focusing on the policy's impact on the distribution and inequality of durations, as a complement to existing empirical evidence.