Bayesian regression discontinuity design with unknown cutoff
阈值未知时的贝叶斯断点回归设计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：摘要研究断点回归设计中的阈值不确定性与局部因果效应估计。
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…
阈值未知时的贝叶斯断点回归设计
- 研究问题
- 当断点回归的真实处理阈值未公开或偏离官方阈值时，如何纳入阈值位置的不确定性，并保持处理效应推断的局部性？
- 方法与思路
- 作者提出局部截断泰勒近似方法 LoTTA，以贝叶斯方式整合阈值先验和位置不确定性，并讨论全样本拟合下的局部推断。
- 材料陈述的贡献
- 摘要将 LoTTA 定位为断点回归的估计与验证工具，并通过 HIV 治疗资格应用说明错误阈值可能使处理效应估计失去意义。
- 阅读关注点
- 应核对阈值与处理效应如何联合识别、局部近似如何接合全局拟合，以及先验、截断规则和样本支持对结果的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明具体识别条件、先验设置或性能结果，无法判断未知阈值估计的可靠性。
原文摘要
The regression discontinuity design (RDD) is a quasi-experimental approach used to estimate the causal effects of an intervention assigned based on a cutoff criterion. RDD exploits the idea that close to the cutoff units below and above are similar; hence, they can be meaningfully compared. Consequently, the causal effect can be estimated only locally at the cutoff point. This makes the cutoff point an essential element of RDD. However, the exact cutoff location may not always be disclosed to the researchers, and even when it is, the actual location may deviate from the official one. As we illustrate on the application of RDD to the HIV treatment eligibility data, estimating the causal effect at an incorrect cutoff point leads to meaningless results. The method we present, LoTTA (Local Trimmed Taylor Approximation), can be applied both as an estimation and validation tool in RDD. We use a Bayesian approach to incorporate prior knowledge and uncertainty about the cutoff location in the causal effect estimation. At the same time, LoTTA is fitted globally to the whole data, whereas RDD is a local, boundary point estimation problem. In this work we address a natural question that arises: how to make Bayesian inference more local to render a meaningful and powerful estimate of the treatment effect?