nprobust: Nonparametric Kernel-Based Estimation and Robust Bias-Corrected Inference
nprobust：非参数核估计与稳健偏差校正推断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：摘要介绍通用核密度与非参数回归工具，未明确研究所列领域中的分布效应或因果问题。
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…
nprobust：非参数核估计与稳健偏差校正推断
- 研究问题
- 如何在核密度估计与局部多项式回归中实施带宽选择和稳健偏差校正，并兼顾边界点与内部点的估计和推断？
- 方法与思路
- 作者介绍 R 与 Stata 软件 nprobust，涵盖经典带宽方法、稳健偏差校正和覆盖误差最优带宽，并提出实用带宽估计方案。
- 材料陈述的贡献
- 摘要称新带宽方案在边界和内部评价点均达到最优均方误差收敛率，并通过应用与模拟比较其和其他 R 软件的数值表现。
- 阅读关注点
- 应核对不同带宽准则对应的目标、边界处理与偏差校正实现，以及最优收敛率所需条件和软件比较的具体设置。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未提供收敛率条件和数值结果，最优速率也不意味着有限样本占优。
原文摘要
Nonparametric kernel density and local polynomial regression estimators are very popular in Statistics, Economics, and many other disciplines. They are routinely employed in applied work, either as part of the main empirical analysis or as a preliminary ingredient entering some other estimation or inference procedure. This article describes the main methodological and numerical features of the software package nprobust, which offers an array of estimation and inference procedures for nonparametric kernel-based density and local polynomial regression methods, implemented in both the R and Stata statistical platforms. The package includes not only classical bandwidth selection, estimation, and inference methods (Wand and Jones, 1995; Fan and Gijbels, 1996), but also other recent developments in the statistics and econometrics literatures such as robust bias-corrected inference and coverage error optimal bandwidth selection (Calonico, Cattaneo and Farrell, 2018, 2019). Furthermore, this article also proposes a simple way of estimating optimal bandwidths in practice that always delivers the optimal mean square error convergence rate regardless of the specific evaluation point, that is, no matter whether it is implemented at a boundary or interior point. Numerical performance is illustrated using an empirical application and simulated data, where a detailed numerical comparison with other R packages is given.