Inference in Regression Discontinuity Designs with High-Dimensional Covariates
具有高维协变量的断点回归设计推断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。
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：摘要明确研究断点回归设计中的处理效应估计、高维协变量调整与推断。
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…
关注这篇论文的作者
具有高维协变量的断点回归设计推断
- 研究问题
- 当预定协变量的数量可能远超样本量时，如何在断点回归中筛选有用变量，提高处理效应估计精度并保持有效推断？
- 方法与思路
- 作者先用局部 Lasso 型程序筛选少量协变量，再将选中变量线性加入常规局部线性估计，并在近似稀疏条件下分析性质。
- 材料陈述的贡献
- 摘要称估计量渐近正态，偏差与方差在概念上类似低维情形，可使用标准带宽选择和推断方法，并提供模拟与应用。
- 阅读关注点
- 应核对近似稀疏条件、局部筛选与带宽的配合，以及筛选误差如何进入渐近偏差、方差和置信区间的有效性分析。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列完整正则条件，也未说明有限样本精度提升的幅度。
原文摘要
We study regression discontinuity designs in which many predetermined covariates, possibly much more than the number of observations, can be used to increase the precision of treatment effect estimates. We consider a two-step estimator which first selects a small number of "important" covariates through a localized Lasso-type procedure, and then, in a second step, estimates the treatment effect by including the selected covariates linearly into the usual local linear estimator. We provide an in-depth analysis of the algorithm's theoretical properties, showing that, under an approximate sparsity condition, the resulting estimator is asymptotically normal, with asymptotic bias and variance that are conceptually similar to those obtained in low-dimensional settings. Bandwidth selection and inference can be carried out using standard methods. We also provide simulations and an empirical application.