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。
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效应估计、协变量调整与效率，属于微观因果推断，而非一般预测模型比较。
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
- 在断点回归中，如何更有效地使用众多协变量提高处理效应估计精度，并允许通过机器学习灵活估计调整函数？
- 方法与思路
- 作者先从结果变量中减去协变量函数，再实施标准断点回归；刻画最小化渐近方差的函数，并利用稳健性质允许灵活学习。
- 材料陈述的贡献
- 摘要称，该类估计量在特定稳健性质下允许机器学习调整而不改变一阶性质，并通过重新分析多项实证研究展示效率改善空间。
- 阅读关注点
- 应核对最优调整函数的形式、断点附近所需的连续性条件、机器学习估计要求，以及带宽选择与最终标准误如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出稳健性质和学习步骤的具体条件，不能判断任意协变量调整是否有效。
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.