Nonlinear Binscatter Methods
非线性分箱散点图方法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：摘要明确将分箱方法扩展到分位数回归，因此可归入分位数与分布效应方向；其余内容属于更一般的方法。
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…
非线性分箱散点图方法
- 研究问题
- 如何将分箱散点图从最小二乘条件均值分析扩展到非线性、稳健和分位数模型，并提供相应的估计与推断工具？
- 方法与思路
- 作者基于可能非光滑的非线性 M 估计构造分箱方法，涵盖广义线性、稳健及分位数回归，并开发选箱和推断程序。
- 材料陈述的贡献
- 摘要提出最优分箱选择、置信带和函数形式或形状约束检验，并提供收入与医保关系的应用及三种语言的软件。
- 阅读关注点
- 应核对不同损失函数下的目标参数、最优分箱标准、置信带的统一有效性，以及控制变量与形状约束的处理方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列适用条件或数值表现，收入与医保关系不能据此作因果解释。
原文摘要
Binscatters are a powerful tool for empirical work in the social, behavioral, and biomedical sciences. Available tools rely on least squares estimation of the conditional mean. We introduce novel binscatter methods based on nonlinear, possibly nonsmooth M-estimation, covering generalized linear, robust, and quantile regression models. We provide theoretical results and practical tools, including optimal bin selection, confidence bands, and statistical tests regarding functional form or shape restrictions. We demonstrate our methods by studying the relationship of income and (lack of) health insurance. We provide software for Python, R, and Stata. Our technical results may be of independent interest.