楼主: 可人4
2510 53

[经济学] 单调回归不连续设计中的推理 [推广有奖]

21楼
kedemingshi 在职认证  发表于 2022-4-24 17:17:25
为了在函数空间F(C)上保持均匀覆盖,我们必须有χL=supf∈F(C)biasf(bL)+sd(bL)·z1-α.注意,我们考虑的估计量是作为FT(0)和Fc(0)的估计量之间的二次关系,如FT(0)。-^fc(0)。现在,假设个体接受一些治疗,当且仅当xi<0。这种设计的一个关键特性是,如果ft(x)增加,则^ft(0)总是有负偏差,因为^ft(0)仅使用xi<0的观测值计算。同样,当fc(x)增加时,^fc(0)总是有正偏差。因此,BL对f的偏差∈ F(C)始终为负值,与研究人员指定的C值无关。因此,在f(c)上保持均匀覆盖的单侧下CI可以形成独立于C。我们也可以很容易地看到,当I i被处理时,当且仅当席时,该论点不再成立。≥ 0,在这种情况下,最大偏差超过∈ F(C)随着C的增加而增加。我们现在正式陈述这个观点,包括d>1的情况。给定someeC>0,设Lα(eC)表示覆盖概率为1的下顺式集合(作为{yi}ni=1和{xi}ni=1的函数)- F(eC)上的α,即CI∈ Lα(eC)<==> inff∈F(eC)P(LRDf)∈ (CI)≥ 1.- α.现在,考虑下面的数量:(c,c):= INF[C,∞)∈Lα(C)supf∈F(C)E[LRDf- ^c],(12)其中c≤ C.这是CI的最坏情况预期长度,1)在F(C)上具有正确的均匀覆盖,2)最坏情况预期长度是最小的F(C)。Armstrong和Koles\'ar(2018a)根据附录A中定义的连续性模型计算该数量。我们在这里提出的问题是,在什么条件下,数量(C;C)可以被视为独立于C。换句话说,我们描述了当回归函数属于更光滑的函数空间时,可以构造长度不随C增长的单侧下CI。引理4.1。

22楼
何人来此 在职认证  发表于 2022-4-24 17:17:31
假设XT和XC都是非空的,假设1成立。然后,给定一对Lipschitz常数(C,C),使得C<C,存在一些与C无关的常数a(C),使得`(C;C)≤ A(c),当且仅当下列条件成立时:1)存在席∈ 席西∈ (-∞, 0)d,2)存在席∈ 西席∈ [0, ∞)d、 3)回归函数是完全单调的,即V={1,…,d}。在引理4.1中提供的条件下,研究人员可以构造一个单侧CI,如果真回归函数属于更光滑的空间F(C),则其最坏情况下的预期长度不会太大,同时通过指定一个大的C来保持严格的覆盖要求。当d=1时,可以采用引理4.1中的不等式保持相等的a(C)=`(C;C),正如上面讨论的说明所示。也就是说,当nd=1时,C根本不影响`(C;C)的大小。另一方面,当d>1时,相同的性质不成立,除非我们的观测值仅超过[0,∞)丹德(-∞, 0]d,这在实践中通常不是这样。因此,指定一个更大的C将转化为一个更长的CI(通过对[0]之外的观测值给予较小的权重,∞)D∪ (-∞, 0]d)当d>1时。然而,有一个上限,这个长度可以增长多少与C。

23楼
mingdashike22 在职认证  发表于 2022-4-24 17:17:37
这个上限与C无关,因此CI的最坏情况长度几乎与ofC无关。换句话说,引理4.1中的条件意味着“处境更不利的群体应该得到治疗”在教育文献中很容易找到这样的RDD设置,学习成绩较低的学生或学校会得到某种支持(蔡等人,2005年;蒋,2009年;雅各布和勒夫格伦,2004年;鲁汶等人,2007年;马苏代拉,2008年),在环境经济学文献中,高污染水平的国家受到一些环境法规的影响(Chay and Greenstone,2005;Greenstone and Gallagher,2008),以及向需要帮助的人提供资金的贫困项目中(Ludwig and Miller,2007)。最后,我们注意到,当平均潜在结果函数减少而不是增加时,我们可以简单地切换Xt和Xcin引理4.1.4.2类自适应程序的条件。根据前一节中考虑的治疗分配规则,可以为某些C构造一个单侧CI,该CI对于单个函数空间F(C)是最优的,其长度与较大的Lipschitz-constantC无关或几乎无关。理想情况下,我们将使用在函数空间范围内表现良好的单边CI,对应于Lipschitz常数C的范围∈ [C,C]对于某些特定的界限C和C。为此,我们定义了一类自适应程序,以便我们的程序基于多个CI,解决了不同Lipschitz常数C值的优化问题(12)∈ {Cj}Jj=1,带C≤ C<··<CJ≤ C.目前,我们假设(Cj)Jj=1是给定的。我们将讨论如何以一种在以后是最优的方式选择这个利普斯奇兹常数序列。为了介绍我们的程序,我们首先描述(12)的解,将阿姆斯特朗和科尔斯ar(2018a)的一般结果应用到我们的设置中。

24楼
kedemingshi 在职认证  发表于 2022-4-24 17:17:43
给定一个C值,结果表明求解(12)的下CI基于线性估计BL(C):=a(C)+Pni=1wi(C)yi,用于非负权重wi(C)和中心常数a(C)。给定一些τ∈ (0,1),维持统一超龄概率1的较低CI的终点- F(C)上的τ,形式为^cLτ(C)=bLτ(C)- supf∈F(C)biasf(bLτ(C))- z1-τsd(bLτ(C))。(13) 在这里,我们明确表示对τ的依赖,因为当J>1时,我们会选择一个合适的τ<α。对于估计量,我们认为blτ(C)是两个核回归估计量saybLt,τ(C)之间的差异-bLc,τ(C),其中blq,τ(C):=Pxi∈XqK(xi,hq,τ(C))yi/σ(xi)Pxi∈XqK(xi,hq,τ(C))/σ(xi),对于每个q∈ {t,c}。最佳带宽由ht,τ(C)=ω给出*t(z1-τ; C、 C)·(1/C,1/C)和HC,τ(C)=ω*c(z1-τ; C、 C)·(1/C,1/C),(14)完成了对估值器blτ(C)的定义。bLτ(C)的最坏情况偏差和标准偏差由D(bLτ(C))=s(z1)给出-τ、 ht,τ(C);C、 C,σ(·))supf∈F(C)偏差(bLτ(C))=at(ht,τ(C);C、 C)- ac(hc,τ(C),C,C)+[ω*t(z1-τ; C、 C)+ω*c(z1-τ; C、 C)- z1-τsd(bLτ(C))],(15),它总结了单侧CI的形式,解(12)。词^cLτ(C),∞对于单Lipschitz常数C,我们构造了一个在函数空间集合上表现良好的CI,通过将CI的交集取为^cLτ(C),∞对于C的不同值,请注意,在形成的多个CI中,取交叉点“选出”最短的CI。这大致相当于从数据中推断回归函数所属的真函数空间,并使用在该函数空间上表现良好的CI。应校准τ的值,以便所得CI保持正确覆盖概率1- 穿过十字路口后。假设我们有一个J CI的集合^cLτ(Cj),∞Jj=1。

25楼
nandehutu2022 在职认证  发表于 2022-4-24 17:17:50
利用Bonferroni方法求出此类精度的交集的简单方法,并取τ=α/J。然而,该方法是保守的,因为估计器之间的相关性sblτ(C)。。。,bLτ(CJ)为正,当CJ和ck接近时为正。为了在考虑到正相关的情况下校准τ的值,让(Vj,τ)Jj=1定义一个以零为中心的J维多变量随机变量,单位方差,且具有给定的协方差项asCov(Vj,τ,Vk,τ)=Pxi∈XtK(xi,ht,τ(Cj))K(xi,ht,τ(Ck))/σ(xi)z1-τ/ω*t(z1-τ; C、 Cj)ω*t(z1-τ; C、 Ck)+Pxi∈XcK(xi,hc,τ(Cj))K(xi,hc,τ(Ck))/σ(xi)z1-τ/ω*c(z1-τ; Cj,C)ω*c(z1-τ; Ck,C)。(16) 然后,我们可以证明如果我们取τ*是求解sp的τ的值max1≤J≤JVj,τ>z1-τ,= α、 (17)则通过交叉口获得的结果CI具有正确的覆盖范围。关于上述方程的解,我们实际上可以证明Cov(Vj,τ,Vk,τ)不依赖于τ作为n→ ∞, 这意味着max1≤J≤JVj,τ*分布收敛到不依赖于τ的随机变量vmax。以下是我们的交叉点CI的主要理论结果。定理4.2。给定{C,…,CJ},C和α∈ (0,1),设τ*定义如(17)所示。那么,在假设1下,如果我们让^c:=max1≤J≤J^cLτ*(Cj)我们有∈F(C)Pf(LRDf)∈ [^c,∞)) ≥ 1.- α.从阿姆斯壮和Koeles AR(2018A)中得到的下一个结果表明,我们考虑的一类自适应过程是合理的。它基本上表明每个顺式[^cLτ*(Cj),∞) 当f∈ F(Cj),除了概率为1的真实参数- τ*而不是1- α、 这就是我们为适应多个Lipschitz课程所付出的代价。推论4.3。

26楼
kedemingshi 在职认证  发表于 2022-4-24 17:17:56
在假设1下,[^cLτ*(Cj),∞) solvesinf[^c,∞)∈Lτ*(C) supf∈F(Cj)Ef[LRDf- ^c]。同样,考虑d=1和V={1}的简单情况,在我们的自适应过程背后提供了一种直觉。在这种简单的情况下,bLq,τ(C)只是一个核函数。在没有报道的模拟练习中,我们发现这种渐近近似对于适度的样本量(如n=100)非常有效。核K(z)=[1的回归估计- |z |]+和带宽sht,τ(C)=ω*t(z1-τ; C、 C)/C,hc,τ(C)=ω*c(z1-τ; C、 C)/C.(18)应用Kwon和Kwon(2020)的结果,我们可以证明这些数量大约为C×(C)-2/3对于大n的某些常数c,这意味着我们构造了具有不同带宽大小的估计器,并比较了结果单边CI的长度。当回归函数的Lipschitz常数较大时,带宽较小的估计器的性能较好,而带宽较大的估计器的性能较差。这是因为当回归函数的Lipschitzconstant较大时,单边CI的多余长度会通过使用较小的带宽来减小偏差的绝对大小而减少。另一方面,当回归函数的Lipschitz常数很小时,通过采用更大的带宽来减少标准偏差对于减少单侧CI的多余长度更为重要。这个想法类似于阿姆斯特朗和科尔斯ar(2018b)提出的带宽监听程序。其中的结果集中在一个运行变量和适应H?older指数的情况下。备注4(C)。当d=1时,根据第4.1节中的治疗分配规则,最坏情况偏差为0。因此,研究人员可以设置C=∞ 不要担心正确的报道。另一方面,当d>1时,C的大小显示出较大的权重,应在[0]之外的观测值上,∞)丹德(-∞, 0]d。

27楼
nandehutu2022 在职认证  发表于 2022-4-24 17:18:02
较大的C会对这些观察结果施加较小的权重,从而导致更大的CI,C=∞对应于仅在[0]中使用观测值,∞)丹德(-∞, 0]d.然而,当真实回归函数的初始导数界较小时,即使C被设置为一个较大的数字,自适应CI的长度也会缩短,从而减轻了大C可能导致信息量较小CI的担忧。备注5(多维RDD中的适应性)。考虑EngE2的设置,其中损坏的Lipschitz连续性由加权的L-模与Lipschitz常数C,…光盘然后,我们的自适应过程允许一个考虑除C=1以外的C的二值。注意,对于s=2,…,取C/Cs。。。,d、 适应C/CSI的不同价值观是一个有趣的扩展,我们在这里没有追求。4.3自适应程序的选择在本节中,我们讨论了Lipschitz常数(Cj)Jj=1的选择,以总结我们对自适应单边CI的定义。与之前关于自适应推理的文献不同,选择适应的函数空间在我们的环境中特别重要。以前的文献大多集中在速率适应上,即如何构造以最佳速率收缩的CI的问题。例如,Armstrong(2015)和Armstrong以及Koles\'ar(2018b)讨论了RD参数的自适应测试和自适应信息构造,这些参数适用于H¨older指数β∈ (0,1)。在这种情况下,由于不同的H?older指数意味着不同的收敛速度,所以从某种意义上说,适应H?older指数的整个连续统始终是最优的。

28楼
大多数88 在职认证  发表于 2022-4-24 17:18:09
另一方面,当我们fixβ=1并尝试适应Lipschitz常数时,收敛速度总是n1/(2+d),重要的是CI的实际长度,而不是它们的收敛速度。最佳但不可行的自适应CI为CI=[^c,∞) 真是太棒了∈F(C)E[LRDf- ^c]=`(c;c),对于所有c∈ [C,C],其中(C;C)在(12)中定义。这是不可行的,因为在F(C)上最优的CI的形式不同于在C6=C上最优的CI的形式。相反,我们的目标是构造一个CI[^C,∞) 使`adpt(C):=supf∈F(C)E[LRDf- ^c]接近于`(c;c)超过c∈C、 C给一些C、 C, 当`adpt(C)和`(C;C)被视为C的函数时。通过将单边CI的类别限制在第4.2节中考虑的类别,我们可以证明,`adpt(·)和`(·;C)之间存在一个合理且易于计算的距离度量。具体来说,让c=(Cj)Jj=1指定一个Lipschitz常数序列,用于构造自适应CI,并用^c(c)表示CI的端点。然后写\'adpt(C;C):=supf∈F(C)E[LRDf- ^c(c)]。程序2自适应单侧CI。1.选择C,以满足(2)中的Lipschitz连续性,当d>1时,在Rd上选择合适的范数| |·| |。-当d=1时,我们可以设置C=∞; 见第4.2.2节中的备注4。选择C和C的值,使0≤ C<C≤ C、 这是自适应CI接近最优的区域。-可以估算出合理的C值;见附录B.3。设C(J)是大小为J的等距网格C、 C. 从J=2开始,将J增加1,直到|(C(J))- (C(J)- 1))| ≤ ε、 对于公差水平ε4。让J*是我们在步骤3中停止的J的值。我们使用C(J)*) = (Cj)J*j=1表示构造自适应CI的Lipschitz常数序列。5.

29楼
kedemingshi 在职认证  发表于 2022-4-24 17:18:15
使用(13)、(14)、(15)和(17),最终获得自适应单侧CI hmax1≤J≤J^cLτ*(Cj),∞.考虑下面的量,测量‘ADPT(·;C)’和‘(;C)’之间的“距离”:(C) :=supC∈[C,C]`adpt(C;C)`(C;C)。(19) 请注意,这一标准与之前的文献一致,该文献使用比率测量法比较了不同置信区间的表现(Cai和Low,2004;Armstrong和Koles\'ar,2018a)。具体来说,(C) satis fies\'adpt(C;C)≤ (C) `(C;C),C∈C、 C.这正是Cai和Low(2004)中引入的自适应CI的概念。由于在我们的设置下,`adpt(C;C)和`(C;C)的速率是相同的,因此自适应过程的选择应该基于常数的大小(C) 。关注第4.2节中提出的自适应CI类别的一个优点是易于评估(C) 如下面的命题所示。提案4.4。我们有\'adpt(C;C)=E minj≤JUj,其中U:=(U,…,UJ)是具有已知均值和方差的高斯随机向量。此外,我们还有`(C;C)=ω*t(z1-α、 C,C)+ω*c(z1-α、 C,C)。根据到目前为止的讨论,我们建议根据(C) 。在计算这个值时,搜索所有可能的序列C在实践中是不可行的。相反,我们建议将C=C(J)作为大小为J的等距网格C、 C和计算(C(J))对于不同的J值。我们的模拟研究(未报告)表明,在某个阈值之后,增加J的增益变得非常小。因此,计算上有吸引力的程序是增加J的值,直到使用J+1代替J的额外增益小于公差参数。在第5节的模拟设计中(C(J)*)) 在所有情况下都小于1.07,其中J*是通过上述方法获得的J值。

30楼
何人来此 在职认证  发表于 2022-4-24 17:18:21
也就是说,自适应CI的最坏情况长度比我们在第5节中考虑的数据生成过程中,如果我们知道真实的Lipschitz常数,我们将使用的CI的最坏情况长度长7%。请注意,我们的程序要求研究人员指定C和C的值。对于C,虽然可以将其设置为0,但可以从附录B中讨论的数据中估算出合理的C值。C的值定义了一个Lipschitzconstants区域,其中自适应CI的性能良好。因此,研究人员可以选择C作为回归函数Lipschitz-constantof的一些非保守潜在值。如上所述,无论C的值是多少,覆盖概率都不受影响,因此研究人员选择C不会是一项繁重的任务。程序2总结了构建自适应单边DCI的步骤,包括选择要适应的Lipschitz空间。5蒙特卡罗模拟我们通过模拟研究来研究我们的极大极小和自适应程序的性能。我们关注的是d=1的情况,患者在ifxi<0时接受治疗。我们限制对希托比的支持[-1, 1]. 对于给定的真夏普RDD,证明中给出了均值和方差的表达式。参数θ≡ LRDf,我们考虑下面的设计。1.线性设计:f1c(x)=Cx,f1t(x)=f1c(x)+θ。我们有| f1q(x)|=C,并且| f1q(x)|=0表示所有x∈ [-1,1]和q∈ {t,c}.2。修改阿姆斯特朗和科尔斯的规范(2018c):给定一些“结”(b,b),使得0<b<b,定义2c(x)=3C(x- 2(x)- b) ++2(x)- b) +),f2t(x)=-f2c(-x) +θ。如果b≥ b/2,这两种功能都在增加。取(b,b)=(1/3,2/3)得到| f2q(x)|≤ C、 和| f2q(x)|=所有x的3C∈ [-1,1]和q∈ {t,c}。我们还有| f2q(0)|=0.3。

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 12:18