Flexible covariate adjustments in regression discontinuity designs
断点回归设计中的灵活协变量调整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：摘要直接研究断点回归设计中处理效应估计的协变量调整。
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…
断点回归设计中的灵活协变量调整
- 研究问题
- 断点回归研究如何更有效地利用大量协变量提高估计精度？灵活学习调整函数会如何影响最终估计量的一阶性质？
- 方法与思路
- 作者提出先从结果变量中减去协变量函数，再实施标准 RD 分析，并刻画使渐近方差最小的调整函数。
- 材料陈述的贡献
- 摘要称，RD 框架的特殊稳健性质允许通过机器学习估计调整函数而不影响一阶性质，并用多项既有研究重分析展示效率潜力。
- 阅读关注点
- 应核对稳健性质的具体条件、调整函数学习所需限制，以及重新分析中精度提升与区间推断的评价方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法确认学习算法、样本使用方式及效率改善幅度；不能推断后续刊本变化。
原文摘要
Empirical regression discontinuity (RD) studies often include covariates in their specifications to increase the precision of their estimates. In this paper, we propose a novel class of estimators that use such covariate information more efficiently than existing methods and can accommodate many covariates. Our estimators are simple to implement and involve running a standard RD analysis after subtracting a function of the covariates from the original outcome variable. We characterize the function of the covariates that minimizes the asymptotic variance of these estimators. We also show that the conventional RD framework gives rise to a special robustness property which implies that the optimal adjustment function can be estimated flexibly via modern machine learning techniques without affecting the first-order properties of the final RD estimator. We demonstrate our methods' scope for efficiency improvements by reanalyzing data from a large number of recently published empirical studies.