Inference of local regression in the presence of nuisance parameters
存在干扰参数时的局部回归推断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：摘要明确涉及断点或拐点政策评估，并提供分位数断点设计下的异质效应应用。
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
存在干扰参数时的局部回归推断
- 研究问题
- 局部估计方程含有干扰参数、准则函数可能不光滑时，如何开展渐近枢轴推断，并兼顾局部化偏差和目标参数识别强度？
- 方法与思路
- 作者研究以经验似然等准则函数为基础的推断，通过集中化或 Laplace 型代入消除干扰参数，并允许纳入局部化偏差修正。
- 材料陈述的贡献
- 摘要称给出统计量具有渐近枢轴分布的条件，推断对识别强度稳健；另以分位数断点设计考察学业留校察看效应及性别差异。
- 阅读关注点
- 应核对两种干扰参数处理方式的条件、偏差修正与局部化选择的关系，以及分位数断点应用中的识别假设和异质效应解释。
- 阅读边界
- 摘要未说明带宽、具体高层条件及应用效应数值；识别稳健性不能替代研究设计的识别假设，版本信息仅限所给出版社摘要。
原文摘要
We consider inference based on local estimating equations in the presence of nuisance parameters. The framework is useful for a number of applications including those in economic policy evaluation based on discontinuities or kinks and in real-time financial risk management. We focus on the criterion-function-based (in particular, empirical likelihood-based) inference, and establish conditions under which the test statistic has a pivotal asymptotic distribution. In the key step of eliminating nuisance parameters in the (possibly non-smooth) criterion function, we consider two different approaches based on either concentration or Laplace-type plug-in estimation. The former is natural, and the latter does not require optimization and can be computationally attractive in applications. Our framework can easily incorporate bias correction induced by localization, and the inference is robust to the identification strength of the parameter of interest. The high-level assumptions are illustrated with several examples. We also conduct Monte Carlo simulations and provide an empirical application which assesses heterogeneous effects of academic probation in college and gender differences under the quantile regression discontinuity design.