Inference in Regression Discontinuity Designs with Clustered Data
聚类数据下回归不连续设计的推断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：摘要明确研究回归不连续设计中的处理效应估计与聚类推断。
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…
聚类数据下回归不连续设计的推断
- 研究问题
- 当回归不连续设计的数据存在聚类且簇规模可能增长时，局部线性估计何时渐近正态，常用聚类标准误是否可靠？
- 方法与思路
- 作者建立基于模型的聚类 RD 框架，推导并验证高层条件，再提出近邻型方差估计量，通过多种实证应用展示性质。
- 材料陈述的贡献
- 摘要称覆盖多种设计及增长簇规模，指出常用聚类标准误可能不一致或在有限样本中过于保守，并提供替代方差估计。
- 阅读关注点
- 应核对簇数量、簇规模与带宽的联合渐近设定，簇内依赖限制，以及近邻方差估计处理断点两侧观测的方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验；摘要未说明完整依赖条件，不能据此否定所有聚类标准误实现。
原文摘要
Clustered sampling is prevalent in empirical regression discontinuity (RD) designs, but it has not received much attention in the theoretical literature. In this paper, we introduce a general model-based framework for such settings and derive high-level conditions under which the standard local linear RD estimator is asymptotically normal. We verify that our high-level assumptions hold across a wide range of empirical designs, including settings of growing cluster sizes. We further show that clustered standard errors that are currently used in practice can be either inconsistent or overly conservative in finite samples. To address these issues, we propose a novel nearest-neighbor-type variance estimator and illustrate its properties in a diverse set of empirical applications.