楼主: 可人4
2508 53

[经济学] 单调回归不连续设计中的推理 [推广有奖]

11楼
何人来此 在职认证  发表于 2022-4-24 17:16:22
然后,一个最大斜率为C=50的平均潜在结果函数似乎是不合理的。这大致意味着,在一次选举中,投票率差异的微小增加,比如0.1%,预示着在随后的选举中,投票率差异的大幅增加,即5%。类似地,如果研究人员提出在职影响参数的CI,该参数在函数空间上具有有效覆盖率,且其第一个导数以C=0.5为界,则评估分析的决策者可能会发现函数空间过于严格。相比之下,在二阶导数上评估一个给定绑定的有效性似乎相对更困难。以前的论文提出了启发式论证来设定二阶导数的界。例如,Armstrong和Koles\'ar(2018a)选择平滑度参数,以便使用真实条件平均值而不是泰勒近似值时,预测MSE的减少不会太大。虽然这为它们的平滑度常数提供了另一种解释,但预测MSE没有一种可以与正在考虑的实例相联系的解释。Imbens and Wager(2019)建议使用二次函数估计Ft和Fc的曲率,并将一个常数(如2或3)乘以估计值,但我们可以预期,如果没有对函数空间的进一步限制,这一过程将无法实现均匀覆盖,正如他们在论文中指出的那样。Armstrong和Koles\'ar(2020b)正式推导了函数空间上的一个附加条件,该条件允许对平滑度参数进行数据驱动的估计,但他们警告说,这一附加假设可能难以证明其合理性。阿姆斯特朗和科尔斯的ar(2018a)和Imbens and Wager(2019)建议进行敏感性分析,而不是设定单一界限。

12楼
大多数88 在职认证  发表于 2022-4-24 17:16:28
然而,当研究人员改变的平滑度参数具有直观意义时,敏感性分析更有意义。必须指定Lipschitz常数的一个可能缺点是,当平均势函数为线性或接近线性且斜率大于预先设置的平滑常数时,我们的程序无法确保覆盖范围。对于minimax双边CI,我们可以将其视为通过保持具有任意大的二阶导数的函数的有效性而付出的代价。另一方面,我们的自适应过程可以用来构造一个单边CI,该CI可以适应Lipschitz平滑度。自适应程序使研究人员能够设置一个非常大的平滑度参数值,甚至将其设置为完整性(以便覆盖所有单调函数),如果真回归函数具有较小的一阶导数界,则可以获得较短的CI。这是可能的,因为单调性假设,这在许多RDD应用中是合理的。注2(一般维数下的Lipschitz连续性)。当d>1时,可以更合理地假设研究人员对平均潜在结果函数的部分导数的大小有信心。也就是说,存在C。。。,Cd>0以至于| fq(x)- fq(z)|≤ Cs | x(s)- z(s)|对于所有x,z∈ X s.t.X-s=z-s、 (4)对于每个q∈ {c,t}和s∈ {1,…,d}。给,x-SDE注意到x中的元素∈ RDE排除了它的sth组件。很容易证明,在(4)下,原始的Lipschitz连续性假设(2)成立,C=1,| |·| | | | | | | |=Pds=1Cs | z(s)|。此外,(2)以C=1和加权范数保持(4)。因此,假设(4)的研究人员可以用这个加权的“范数”等价地假设(2)。

13楼
可人4 在职认证  发表于 2022-4-24 17:16:35
在Armstrong和Koles’ar(2020a)中,这种方法也被用于推断无根据情况下的平均治疗效果。备注3(RDD无单调性)。取V=, 我们的程序可用于构造RD参数的极小极大CI,而无需单调性假设。虽然阿姆斯特朗和科尔斯的ar(2018a)以及姆本斯和瓦格(2019)等其他替代方案可以用来处理这种情况,但我们的程序对喜欢对一阶导数而不是二阶导数施加界限的研究人员仍然有用,这可能是因为更好的解释性。2.2最佳内核和带宽程序取决于特定的内核函数和带宽,这些函数和带宽取决于Lipschitz参数。我们首先介绍一些符号。给一些z∈ 在指数集V中,我们定义(z)V+为rds中的一个元素,其中其sth元素由(z)V+(s):=max给出z(s),0(s)∈ 五) +z(s)(s)/∈ 五) ,s=1。。。,d、 同样,我们定义了(z)V-:= - (-z) V+。当a是标量时,我们使用方括号[a]+来表示max{a,0}。此外,我们定义了σ(xi):=Var1/2[ui | xi],并给出了LRDf的一个激励值,我们用biasf(bL)表示Ef[bL]- LRDf]和sd(bL)表示1/2(bL)。minimax过程基于以下核函数k(z):=[1- (k(z)V+k+k(z)V-k) ]+。(5) 在自适应过程中,根据坐标的符号,每个坐标使用不同的带宽。利用不同的带宽,对于h=(h,h)∈ R、 我们定义(z,h):=[1- (k(z/h)V+k+k(z/h)V-k) ]+。估算中使用的最佳带宽基于以下两个函数ωt(δt;C,C)和ωC(δC;C,C),定义为以下方程的解:Xxi∈Xq[ωq(δq;C,C)- Ck(xi)V+k- Ck(xi)V-k] +/σ(xi)=δq,对于每个q∈ {t,q},给定一对非负数(δt,δc)和σ(x):=Var[ui | xi=x]。

14楼
何人来此 在职认证  发表于 2022-4-24 17:16:41
此外,给定一些标量δ≥ 0,我们定义δ*t(δ;C,C)和δ*c(δ;c,c)为δ上的解*T≥0,δ*C≥0,(δ*t) +(δ)*c) =Δωt(δ*TC、 C)+ωC(δ)*CC、 C)。基于这些定义,我们介绍了本文中使用的以下速记符号:;问∈ {t,c},δ≥ 0,(C,C)∈ R+,h∈ R+,我们定义ω*q(δ;C,C):=ωq(δ*q(δ;C,C);C、 C),aq(h;C,C):=·Pxi∈XqK(xi,h)[Ck(xi)V+k- Ck(xi)V-k] /σ(xi)Pxi∈XqK(xi,h)/σ(xi),s(δ,h;C,C,σ(·)):=δ/ω*t(δ;C,C)Pxi∈XtK(xi,h)/σ(xi)。此外,对于q∈ {t,c},δ≥ 0和C,h∈ R、 我们定义ω*q(δ;C):=ω*q(δ;C,C),aq(h;C):=aq(h,h;C,C),s(δ,h;C,σ(·)):=s(δ,h,h;C,C,σ(·))。本节中给出的最优核和带宽的形式来自于在minimax最优推理的背景下求解Donoho和Liu(1991)和Donoho(1994)中考虑的连续模问题,以及在Cai和Low(2004)和Armstrong和Koles’ar(2018a)中在自适应干扰的背景下考虑的连续模问题。当我们在附录A中证明我们的程序的有效性时,我们仅将其与我们的环境具体联系起来,感兴趣的读者可以参考上述论文进行更一般性的讨论。3极大极小双面CiWe RST考虑研究者舒适地指定Li Switz常数和/或经验上下文需要双面CI的情况。在这种情况下,我们建议使用minimax a ffine CI,即最坏情况下的预期长度在基于a ffine估计的所有CI中最短的CI(Donoho,1994)。为了简洁起见,我们将这种CI称为minimax CI。minimax CI是基于一个有效的估计器BLMM:=a+Pni=1wiyi,非负权重(wi)ni=1,半长χmm构建的,即CImm=hbLmm- χmm,bLmm+χmmi。半长χmmis非随机且经过校准,以在函数空间F(C):inff上均匀地保持正确的覆盖率∈F(C)Pf(LRDf)∈ CImm)≥ 1.- α.

15楼
可人4 在职认证  发表于 2022-4-24 17:16:47
(6) Donoho(1994)表明,关注有效估计是合理的,因为考虑非有效估计的收益是有限的。注意,PF(LRDf∈ CImm)=PfbLmm- LRDfsd(bLmm)≤χmmsd(bLmm)!。假设误差项为高斯分布,则随机变量(bLmm- LRDf)/sd(bLmm)是正态分布,平均值等于tobiasf(bLmm)/sd(bLmm),单位方差为。因此,随机变量|(bLmm)的分位数- LRDf)/sd(bLmm)|在f上最大化∈ F(C)当| biasf(bLmm)|最大时。因此,如果我们将cvα(t)定义为1-|Z |的α分位数~ N(t,1),保证覆盖要求(6)的最小可能值χmm由χmm=cvαsupf给出∈F(C)| biasf(bLmm)| sd(bLmm)|!sd(bLmm)。(7) 仍然需要推导χmmis最小化的估计量blmmsuch的形式。Wetakeblmmt是两个重新集中的核回归估计器之间的差异,saybLmmt-bLmmc,其中blmmq:=Pxi∈XqK(xi/hq)yi/σ(xi)Pxi∈XqK(xi/hq)/σ(xi)- aq,对于每个q∈ {t,c},(8)对于(5)中定义的核函数K(·)。请注意,BLMM和BLMMC分别对应于ft(0)和fc(0)的估计值。关于最优核函数K的形式,当d=1时,K(z)是通常的三角形核,其最优性在Donoho(1994)和Armstrong及Koles\'ar(2020b)中讨论过。在这里,我们还导出了多维情况下,对于任何给定的范数和次部分或完全单调性的最优核。与RDDs中以前的推理方法相比,一个显著的区别是,估计量RBLMMQ是一个Nadaraya Watson估计量,而不是局部线性估计量。这种差异自然产生,因为我们是在有界一阶导数的假设下工作的。一般来说,由于Nadaraya-Watson型估计的边界偏差问题,局部线性估计是首选的。

16楼
何人来此 在职认证  发表于 2022-4-24 17:16:55
然而,在诚实推理的背景下,最坏情况下的偏见被明确纠正。对于带宽(ht,hc)和中心项(at,ac)的最佳选择,我们可以证明,可以通过取q=hq(δ)=ω来获得minimax双边CI*每个q的q(δ;C)/C∈ {t,c},(9)选择合适的δ≥ 0,将Donoho(1994)的结果应用于我们的设置。接下来,从(7)的形式中,中心术语的选择应确保SUPF∈F(C)biasf(bLmm)=- inff∈F(C)biasf(bLmm),以最小化χmm,即最坏情况下的正负偏差应平衡。我们可以证明,如果我们为每个q选择q:=aq(hq;C),这是可以实现的∈ {t,c}。(10) 注意,当(ht,hc)取决于δ时,这个量取决于δ。现在,Letblm(δ)是上述核回归估计器,其带宽(ht(δ),hc(δ))和中心项(at,ac)如上所述。在这些带宽和中心项的选择下,我们得到了sd(bLmm(δ))=s(δ,ht(δ);C、 σ(·)),supf∈F(C)biasf(bLmm(δ))=- inff∈F(C)biasf(bLmm(δ))=C(ht(δ)+hc(δ))- δsd(bLmm(δ)).(11) 然后,我们通过在(7)中插入(11)来选择δ的最佳值,并计算使半长χmm最小的δ值,即δ*, 产生最短半长度的值。堵塞δ=δ*在带宽和定心项公式中,也可以得到与这一半长度对应的估计器的形式。程序1总结了我们关于极小极大CI构造的讨论。以下是关于极小极大过程的主要理论结果。当我们考虑一个具有高斯误差和已知条件方差的理想化设置时,这种精确的NNITE样本结果可以被转换成具有非相似误差的非高斯误差的渐近结果,其具有类似的参数givenby Armstrong和Koeles胡(2018C)。

17楼
nandehutu2022 在职认证  发表于 2022-4-24 17:17:01
在第5节中,我们将更详细地讨论如何引入条件方差的一致性估计。程序1极小极大值。1.选择一个值C,使(2)中的Lipschitz连续性得到满足,当d>1.2时,在Rd上选择一个合适的范数| |·| |。使用(8)计算估计器的形式,使用(9)和(10)给出的带宽和中心项作为δ3的函数。使用(11)确定δ的值,该值使半长(7)最小,比如δ*.4.通过插入δ来计算估算值和半长*,这给出了CI的最终形式。假设1。{xi}ni=1是非随机和ui~ N(0,σ(xi)),其中已知σ(·)。定理3.1。在假设1下,我们有∈F(C)Pf(LRDf)∈ CImm)=1- α.此外,CImmis是所有(固定长度)具有统一覆盖率的有效CI中最短的。从(9)中,我们可以看到带宽的大小和研究人员选择的Lipschitz常数C之间存在一对一的关系。因此,如果必须选择带宽,选择C不一定是研究人员的额外负担。虽然也存在各种数据驱动的带宽选择方法,但我们选择带宽的方式明确了带宽与函数空间之间的关系,在该函数空间上,生成的CI具有均匀覆盖,同时实现了最小最大最佳长度。讨论d=1的情况有助于说明单调限制在极小极大最优推理中的作用。直观地说,在单调性下,我们不必担心负斜率函数引起的偏差,因此最好使用比没有单调性的情况更大的带宽来减少标准误差。使用上面的核函数和带宽公式,我们可以计算出在单调性下带宽应该多大。

18楼
何人来此 在职认证  发表于 2022-4-24 17:17:07
当nv={1}时,(5)中的核函数由K(z)=[1]给出- |z |]+,而当V=,核函数由K(z)=[1]给出- 2 | z |]+=K(z/(1/2))。因此,如果我们将核函数设为K(z)=K(z),则0以下的核函数之间的带宽比。20.40.60.80 1 2 3 4 5 Lipschitz系数CI长度(d=1)法-单调的。51.01.52.00 1 2 3 4 5 Lipschitz系数CI长度(d=2)法-单调图1:有无单调性的极小极大长度的比较。在运行变量的设计中,通过均匀分布生成了500个观测值[-1,1]d,对于d=1,2。当d=2时,我们设置V={1,2}并使用thelnorm。根据σ(x)=1计算长度。V={1}和V= 由2ω给出*q(δ;C,{1})ω*q(δ;C,), 每个q∈ {t,c},δ≥ 0,其中ω*q(δ;C,V)表示ω的值*q(δ;C)当指数集V的单调性约束成立时。继Kwon和Kwon(2020)之后,我们可以证明上述数量约为22/3≈ 1.6对于大n.因此,如果我们认为平均潜在结果函数是单调的,最好使用比不应使用单调性的带宽大60%的带宽。通过类似的论证,当我们只考虑单调函数的空间时,极大极小CI的长度变短。由于CI的长度是一个限定量,我们可以很容易地将其在形状限制下的长度与没有形状限制的长度进行比较。图1考虑了治疗设计中d=1和2的情况,即当所有运行变量的值均为负值时,对个体进行治疗。不考虑单调性的CI在d=1时可长30%,在d=2时可长40%。

19楼
kedemingshi 在职认证  发表于 2022-4-24 17:17:13
考虑到具有单调回归函数的RDD的普遍性,这种效率的提高证明了在构造极小极大CI时合并形状限制的重要性。4自适应单侧CIA极大极小双侧的显著特征是它是一个固定长度的CI,从这个意义上说,它的长度是在观察结果{yi}ni=1的实现之前确定的。CI的长度取决于研究人员选择的Lipschitz常数C,C的值越大,CI越长。因此,如果研究人员希望通过设置Lipschitz常数的保守值来增强推理结果的可信度,那么minimaxCI可能会变得过于广泛,无法使用。在极端情况下,研究人员希望设置C=∞, CI必须是整个实线,不提供任何信息。为了解决这个问题,我们提供了一种构造自适应单边DCI的方法。CI可以使函数空间的覆盖率保持在一个较大的常数C上,甚至允许C=∞. 此外,只要真回归函数位于更平滑的类中,当d=1时,CI的长度不依赖于C,当d>1时,几乎不依赖于C。在第4.1节中,我们将更详细地讨论这个属性,并提供一个简单的条件,说明处理分配规则与该属性所处的单调方向之间的关系。这一特性确保了研究人员可以通过考虑一个大的函数空间来增强推理结果的可信度,而不会以一个无信息的CI结束。此外,单边CI可以利用观察结果{yi}ni=1中包含的未知回归函数f的光滑性信息。

20楼
可人4 在职认证  发表于 2022-4-24 17:17:19
通过使用这些信息,CI的长度会相应地调整,而不包括长度固定的最小最大最优CI,无论观察到的输出值如何。拥有这种属性的CI被称为自适应CI,如下CAI和Low(2004)。这一性质进一步提高了单侧CI的实用性;CI的长度不仅(几乎)与C无关,而且当真实回归函数的一阶导数界较小时,CI的长度会缩小。我们重点讨论了自适应低顺式和相关治疗分配规则的构建。在许多RDD应用中,研究人员往往对真正的治疗效果显著大于0感兴趣。在这种情况下,较低的单面CI提供了有用的信息。上CI可以以类似的方式处理,但需要不同(或“相反”)的处理分配规则。最后,单侧CI的“长度”指的是trueparameter LRDf与其端点之间的距离,在Armstrong和Koles\'ar(2018a)中称为“多余长度”。4.1治疗分配的条件在本节中,我们更详细地描述了治疗分配规则,在此规则下,可以构建覆盖F(C)的均匀较低CI,但随着长度的增加,这不一定会随着C的增加而增加。具体来说,考虑到较小的Lipschitz常数C,例如0≤ C<C,我们问什么时候可以构造一个较低的CIC,其最坏情况下F(C)上的预期长度不随C增长。这一性质确保了更高的可信度不一定会导致更广泛的CI。为了给出一种直觉,我们首先在一个简单的设置中描述参数,其中有一个切入点x=0的运行变量。考虑一个较低的CI[BL- χL,∞) 通过从线性估计器BL中减去常数χlf来构造。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-17 12:17