Global Testing in Multivariate Regression Discontinuity Designs
多维断点回归设计中的全局检验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：摘要围绕多维断点回归的处理边界与不连续检验展开，直接属于因果推断设计的方法研究，没有其他细分方向的明确依据。
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
多维断点回归设计中的全局检验
- 研究问题
- 研究多维运行变量的断点回归中，如何检验处理边界上是否存在任何不连续，尤其应对边界附近样本稀疏造成的尺寸失真。
- 方法与思路
- 作者将多维机器学习估计与基于距离的聚合策略结合，构造全局检验，并以模拟和一项实证应用考察有限样本表现。
- 材料陈述的贡献
- 摘要称该检验在模拟中具有接近名义水平的尺寸和较强功效，包括标准多维估计方法失效的场景，可补充现有断点回归工具。
- 阅读关注点
- 应核对全局原假设、边界距离及聚合统计量的定义、临界值构造，还有机器学习估计误差和样本稀疏对检验的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明有效性条件、样本规模及实证对象，模拟表现不能保证所有小样本有效。
原文摘要
Regression discontinuity (RD) designs with multiple running variables arise in a growing number of empirical applications, including geographic boundaries and multi-score assignment rules. Although recent methodological work has extended estimation and inference tools to multivariate settings, far less attention has been devoted to developing global testing methods that formally assess whether a discontinuity exists anywhere along a multivariate treatment boundary. Existing approaches perform well in large samples, but can exhibit severe size distortions in moderate or small samples due to the sparsity of observations near any particular boundary point. This paper introduces a complementary global testing procedure that mitigates the small-sample weaknesses of existing multivariate RD methods by integrating multivariate machine learning estimators with a distance-based aggregation strategy, yielding a test statistic that remains reliable with limited data. Simulations demonstrate that the proposed method maintains near-nominal size and strong power, including in settings where standard multivariate estimators break down. The procedure is applied to an empirical setting to demonstrate its implementation and to illustrate how it can complement existing multivariate RD estimators.