Optimal Bandwidth Choice for Robust Bias Corrected Inference in Regression Discontinuity Designs
断点回归中稳健偏差修正推断的最优带宽选择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：摘要直接研究断点回归处理效应的局部多项式推断及置信区间带宽，明确属于因果推断的方法问题。
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…
断点回归中稳健偏差修正推断的最优带宽选择
- 研究问题
- 断点回归点估计的均方误差最优带宽，是否也适合稳健偏差修正置信区间，如何以覆盖误差为目标选择带宽？
- 方法与思路
- 作者推导稳健偏差修正区间的覆盖误差展开，优化主带宽及辅助带宽，并比较该推断与传统欠平滑方法的高阶性质。
- 材料陈述的贡献
- 摘要称均方误差最优带宽可用于有效偏差修正推断，却并非覆盖误差最优；提出新带宽规则并建立高阶改进结果。
- 阅读关注点
- 应核对覆盖误差展开的条件与优化目标，区分点估计和区间带宽，并确认清晰断点、斜率断点及扩展设计的结果范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出带宽公式或改善数值，讨论的扩展不等于全部已证明。
原文摘要
Modern empirical work in Regression Discontinuity (RD) designs often employs local polynomial estimation and inference with a mean square error (MSE) optimal bandwidth choice. This bandwidth yields an MSE-optimal RD treatment effect estimator, but is by construction invalid for inference. Robust bias corrected (RBC) inference methods are valid when using the MSE-optimal bandwidth, but we show they yield suboptimal confidence intervals in terms of coverage error. We establish valid coverage error expansions for RBC confidence interval estimators and use these results to propose new inference-optimal bandwidth choices for forming these intervals. We find that the standard MSE-optimal bandwidth for the RD point estimator is too large when the goal is to construct RBC confidence intervals with the smallest coverage error. We further optimize the constant terms behind the coverage error to derive new optimal choices for the auxiliary bandwidth required for RBC inference. Our expansions also establish that RBC inference yields higher-order refinements (relative to traditional undersmoothing) in the context of RD designs. Our main results cover sharp and sharp kink RD designs under conditional heteroskedasticity, and we discuss extensions to fuzzy and other RD designs, clustered sampling, and pre-intervention covariates adjustments. The theoretical findings are illustrated with a Monte Carlo experiment and an empirical application, and the main methodological results are available in \texttt{R} and \texttt{Stata} packages.