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]

31楼
mingdashike22 在职认证  发表于 2022-4-24 17:18:28
修改了Babii和Kumar(2020)的规范:定义f3c(x)=C(x+x),f3t(x)=f3c(x)+θ。我们有| f3q(x)|≤ C和| f3q(x)|=所有x的3C/2∈ [-1,1]和q∈ {t,c}。我们还有| f3q(0)|=C/4和| f3q(0)|=0.4。0时的非零一阶和二阶导数:定义F4c(x)=C((3x+1)1/3- 1) ,f4t(x)=-f4c(-x) +θ。我们有| f4q(x)|≤ C、 和| f4q(x)|≤ 2C代表所有x∈ [-1,1]和q∈ {t,c}。我们还有| f4q(0)|=C和| f4q(0)|=2C。席~ 统一(-1.1)恒定方差C为小设计1是是是是设计2否是设计3是否是设计4否否设计5是是节点设计6否是节点设计7是否节点设计8否否值得注意1:模拟设计规格F=ff=FLENGHT:RBC最小最大长度:RBC最小最大RBC/MM覆盖RBC/MM覆盖覆盖设计1.094 0.925 0.968 1.097 0.924 0.942设计2 1.112 0.938 0.979 1.1150.941 0.949设计3 1.082 0.926 0.968 1.085 0.924 0.942设计4 1.099 0.936 0.979 1.103 0.940 0 0.950设计5 1.128 0.925 0.919 1.148 0.930 0 0.945设计6 1.137 0.938 0.934 1.162 0.941 0.951设计7 1 1 1 1 1.117 0.926 0.920.920.920.920.920.920.945设计8 1 1 1 1 1.125 0.936 0.930.930.930.931.930.930.930.931与最小可测红细胞最大值的比较;F∈ {f,f}对于运行变量,我们考虑席~ 统一(-1, 1)和席~ 2×β(2,2)-1.后者被Babii和Kumar(2020)使用,并提供了更多关于切割的观察结果。最后,我们考虑了同一性和异方差设计,即(x)=1和(x)=ω(x)/ω(0),其中χ(x)是标准的正规PDF。样本大小为n=500。附录D中的图4提供了四个回归函数的曲线图。我们基于局部常数核回归估计条件方差,其中初始带宽是根据Silverman的经验法则选择的。

32楼
可人4 在职认证  发表于 2022-4-24 17:18:35
这是为了避免使用基于局部线性回归的带宽选择方法,以确保我们提出的方法在二阶导数非常大的情况下仍然有效。根据估计的条件方差计算估计量后,我们按照阿姆斯特朗和科尔斯的ar(2020b)构造CI,他们使用简单的方法通过^σ(xi)=JJ+1yi估计方差-JJXi=1yj(i)!,对于某些固定的J,其中J(i)表示与i最近的观察指数(具有相同的治疗状态)。它们实现中的默认值是J=3,我们遵循这个值。词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇覆盖覆盖范围覆盖范围范围范围范围范围覆盖范围范围范围范围范围范围范围范围覆盖覆盖范围范围范围设计1 1 1 1 1.1.1.1.1.1.1.1.0 0 0 0 0.0.0.0 0.0.0.0.0.9 0.0.9 0.9 0.0.9 0.9 0.9 0.9 0.0.9 0.9 0.0.9 0.9 0.0.0.0.920.0.9 0.0.9 9 9 9 9240.9611.1070.924 0.930设计8 1.099 0.936 0.971 1.119 0.933 0.947表3:红细胞和最大极小值之间的比较;F∈ {f,f}5.1极大极小过程首先,我们研究第3节中描述的极大极小过程的性能。我们考虑了在运行变量、方差函数和C(1)值上的二元组合,即均匀或β分布,2)方差函数由Si-×S-(x)或Sig-×Sigi(x)(其中席夫=1/4)给出,3)C的真值是小(C=1)或大(C=3)。对于极大极小双边CI,我们考虑的情况下,我们正确地指定在所有情况下,设置C=3的Telipschitz常数。结果通过1000次重复计算得出。表1给出了每种设计的定义。我们通过与Calonico等人(2015)的稳健偏差校正(RBC)程序进行比较,来衡量minimax程序的性能。

33楼
mingdashike22 在职认证  发表于 2022-4-24 17:18:41
我们报告RBC和minimax程序之间CI平均长度的比率,以及它们各自的覆盖概率。对于鲁棒性偏差校正程序,我们使用RDR包提供的默认实现。表2和表3显示了结果。对于每个回归函数,第一列显示CI长度的比率,第二列和第三列显示RBC和极小极大过程的覆盖概率。尽管最小最大CI比RBC CI短,但最小最大CI的覆盖概率比RBC CI更接近标称水平。然而,这里的长度比较不应被解释为我们的程序优于theRBC方法,因为长度对C的选择和真实回归函数的形式很敏感。相反,正如我们到目前为止所讨论的,相对优势1。01.11.21.31.40.5 1.0 1.5 2.0实际长度比:f=f1AdaptiveMinimax1。01.21.41.61.80.5 1.0 1.5 2.0实际长度比:f=F2自适应最小值1。01.21.41.61.80.5 1.0 1.5 2.0实际长度比:f=F3自适应最小值1。01.21.40.5 1.0 1.5 2.0真实CExcess长度比:f=F4AdaptiveMinimax图2:单侧CIS的性能比较我们的程序使用了更透明的函数空间,并结合了回归函数的单调性。5.2自适应过程下一步,我们将单边CI的性能与两个基准进行比较,即minimax和oracle单边CI。我们考虑回归函数f,…改变C的值∈ [Cl,Cu]这决定了它们的平滑度。Foreach C∈ [Cl,Cu],oracle程序适用于单个Lipschitz常数C,因为如果我们知道真实的Lipschitz常数,这在实践中是不可行的。

34楼
可人4 在职认证  发表于 2022-4-24 17:18:48
另一方面,minimax过程适用于最大Lipschitz常数Cu;如阿姆斯特朗和科尔斯的ar(2018a)所示,当我们没有单调性时,这个过程几乎是最优的(在可行的过程中)。oracle和minimax过程都考虑了单调性。我们取(Cl,Cu)=(1/5,2),只考虑设计1。对于自适应过程,我们取(C,C)=(1/5,1)。我们期望自适应程序的性能将优于C∈ [1/5,1]高于C∈ [1, 2].图2显示了与oracle过程相比,minimax和adaptive CI的相对多余长度。首先,我们注意到自适应CI最多比oracle过程长30%,而minimax CI有时比oracle过程长83%。其次,对于f=fand和f=f的情况,自适应CI有时甚至比oracle还要短。这是因为这种回归函数在x=0附近的导数比C小,尽管它们的最大导数在全局范围内是C。这表明自适应CI适应回归函数的局部平滑度,这是使用自适应程序的另一个优点。6实证说明在本节中,我们回顾了Lee(2008)的分析。运行变量席∈[-100,100]是民主党在每次选举中获胜的差距,以及结果∈ [0,100]是民主党在下次选举中的投票份额。这种待遇是民主党的现任职务,其削减系数为0。因此,积极的待遇效应表明现任候选人有选举优势。这一实证应用很好地证明了本文所考虑的条件。从单调性来看,假设一个政党的投票份额比该政党之前的平均投票份额增加是合理的。

35楼
nandehutu2022 在职认证  发表于 2022-4-24 17:18:54
此外,对于利普希茨的连续性而言,上一次选举的投票份额增加一个单位,可以预测下一次选举的投票份额增加不超过一个单位。这反映了一个观点,即上一次选举的选票份额是衡量一个政党在当前选举中受欢迎程度的一个嘈杂指标。因为XI是投票差额而不是投票份额,所以将其转换为C=1/2。图3描绘了根据我们的minimax优化程序为不同的C值构建的CI∈ [0.4,1],其中包括我们的首选规格C=1/2。我们还包括使用Calonico等人(2015)的稳健偏差校正方法的CI,以及使用Armstrong和Koles\'ar0中的二阶导数界限的极小极大CI。02.55.07.510.012.50.4 0.6 0.8 1.0利普希茨常数(C)选举优势(%)适应性优势-极大极小二-SideDrbC图3:Lee(2008)的例子。红线(Minimax双面)绘制了我们的Minimax最优CI,而蓝线(RBC)和绿线(AK)分别绘制了使用Calonico等人(2015)和Armstrong及Koles\'ar(2018a)的方法构建的CI。紫色线(自适应单侧)用C=∞. 垂直虚线表示C=1/2,这是我们的首选规格。(2018a)。对于后者,二阶导数的界限设置为M=1/10,这是他们在实证分析中使用的最大界限。所有CI的名义覆盖率为0.95。[3.44,8.38]和[2.95,8.96]分别给出了通过稳健偏差校正和二阶导数界获得的CI。与其他方法相比,我们的CI具有更大的下限和上限。特别是,对于我们的首选规格C=1/2,CI由[5.03,9.66]给出,这意味着与其他推断方法相比,现任者的选举优势可能更大。

36楼
kedemingshi 在职认证  发表于 2022-4-24 17:19:00
在这种情况下,我们的CI也相对较短。对于同一数据集,Babii和Kumar(2020)给出的CI为[6.6,26.5],其上限比其他程序更大。如上所述,由于Lipschitz常数C有一个明确的解释,因此改变Lipschitz常数值的灵敏度分析在加强推理结果的可信度方面尤其有用。具体来说,我们可以计算平滑度参数的大小,在该参数下在职人员的影响变得显著。当C大于16时,我们的极小极大CI包含0。第一个导数界限C=16大致意味着上一次选举投票份额增加一个单位,可以预测下一次选举投票份额增加32个单位,这是一个相当大的数字。因此,我们得出结论,在未知回归函数的一组合理假设下,在职影响的显著性是稳健的。考虑到这里考虑的各种CI都是从回归函数的不同假设中获得的,看看我们能在最小假设下推断出RD参数是一个有趣的练习。为此,我们构造了一个自适应单边CI,它保持覆盖所有单调函数。第4.1节中的讨论意味着我们可以在这种经验环境下构建一个自适应的上CI。我们采用(C,C)=(0.1,0.5),反映了trueLipschitz常数可能小于0.5的信念。为了使单侧CI与其他双侧CI具有可比性,将上限CI的标称覆盖概率设置为0.975,所得上限为10.52%。

37楼
nandehutu2022 在职认证  发表于 2022-4-24 17:19:07
虽然该上限CI保持所有单调函数的平均值,但由此产生的上限并不明显大于其他CI的上限,这反映了上限CI的自适应性质。7结论在本文中,当回归函数假设为单调且具有有界一阶导数时,我们提出了一个极小极大双边CI和一个自适应单边CI。我们证明了我们的程序在易于解释的条件下实现了均匀覆盖,并且可以用来构造具有极大极小最优长度的双边CI,或者构造其多余长度适应未知回归函数平滑度的单边CI。我们发现有两个扩展很有趣。模糊RDD。在各种RDD应用中,对治疗状态的遵从性只是部分。因此,有兴趣将我们的方法扩展到模糊RDD设置,例如,通过对治疗倾向p(x)=p(ti=1 | xi=x)进行单调性和Lipschitz连续性假设,其中,Ti是个体i的治疗指标。该方法将使用Armstrong和Koles\'ar(2020b)以及Noack和Rothe(2020)的二阶导数边界,对模糊RDD的最小最优方法进行补充。威特凯特。在multi-score RDD中,Imbens and Wager(2019)建议估算不同边界点上条件治疗效果的加权平均值,以使推断更精确。由于加权平均参数是回归函数的线性函数,我们也可以调整我们的框架来对参数进行推理。另一方面,封闭形式的解决方案可能不存在,在我们的设置下,如何计算构建加权平均参数的置信区间似乎是一个有趣的研究问题。参考阿姆斯特朗,T。

38楼
mingdashike22 在职认证  发表于 2022-4-24 17:19:16
(2015):“某一点上回归函数的自适应测试”,《统计学年鉴》,432086-2101。Armstrong,T.和M.Koles\'ar(2020a):“有限样本最优估计和在不确定条件下对平均治疗效果的影响”。Armstrong,T.B.和M.Koles\'ar(2016):“一类回归模型中的最优推理”,工作论文。--(2018a):“一类回归模型中的最优推断”,计量经济学,86655–683。--(2018b):“带宽窥探的简单调整”,《经济研究评论》,85732-765(2018c):“对‘一类回归模型中的最优推断’的补充”,计量经济学补充材料,85。--(2020b):“非参数回归中简单而诚实的置信区间”,数量经济学,第11期,第1-39页。Babii,A.和R.Kumar(2020):“等渗回归不连续设计”。蔡,T.T.和M.G.洛(2004):“非参数置信区间的适应理论”,《统计学年鉴》,第32期,1805-1840年。Calonico,S.,M.D.Cattaneo和R.Titiunik(2015):“rdrobust:回归不连续设计中稳健非参数推断的RPackage。”R J.,7,38。Cattaneo,M.D.,N.Idrobo和R.Titiunik(2020):回归不连续设计实用介绍:扩展,剑桥大学出版社(toappear)。蔡,K.Y.和M.格林斯通(2005):“空气质量重要吗?来自住房市场的证据”,《政治经济学杂志》,113376-424。Chay,K.Y.,P.J.McEwan和M.Urquiola(2005):“噪音在评估使用考试分数对学校进行排名的干预措施中的核心作用”,《美国经济评论》,951237–1258。蒋H(2009):“失败学校的问责压力如何影响学生的成就”,《公共经济学杂志》,931045-1057。戴尔·M.(2010):“秘鲁采矿业的持续影响”,经济计量学,781863-1903年。多诺霍,D.L。

39楼
kedemingshi 在职认证  发表于 2022-4-24 17:19:23
(1994):“统计估计和最佳恢复”,统计年鉴,22238-270。多诺霍,D.L.和R.C.刘(1991):“收敛的几何化速度,III”,《统计年鉴》,668-701。Greenstone,M.和J.Gallagher(2008):“危险废物重要吗?来自住房市场和超级基金项目的证据”,《经济学季刊》,123951-1003。Imbens,G.和S.Wager(2019):“优化回归不连续设计”,《经济学和统计学评论》,101264–278。Jacob,B.A.和L.Lefgren(2004):“补救教育和学生成绩:回归不连续性分析”,《经济学和统计学评论》,86226-244。凯恩·T·J.(2003):“财政援助对大学入学影响的准实验性估计”,国家经济研究局技术代表。Keele,L.J.和R.Titiunik(2015):“作为回归间断的地理边界”,《政治分析》,第23127-155页。Koles\'ar,M.和C.Rothe(2018):“离散运行变量回归不连续性设计中的推断”,《美国经济评论》,第1082277–2304页。Kwon,K.和S.Kwon(2020):“单调性下多元非参数回归模型中的自适应推理”,工作论文。Lee,D.S.(2008):“美国众议院选举中非随机选择的随机实验”,《计量经济学杂志》,142675-697。Leuven,E.,M.Lindahl,H.Oosterbeek和D.Webbink(2007):“为处境不利的学生提供额外资金对成绩的影响”,《经济与统计评论》,89721-736。Ludwig,J.和D.L.Miller(2007):“起步是否改善了儿童的生存机会?来自回归不连续设计的证据,”经济学季刊,122159-208。Matsudaira,J.D.(2008):“强制性暑期学校和学生成绩”,《计量经济学杂志》,142829-850。诺克,C.和C。

40楼
可人4 在职认证  发表于 2022-4-24 17:19:29
Rothe(2020):“模糊回归不连续设计中的偏差感知推理”,arXiv预印本arXiv:1906.04631。Papay,J.P.,R.J.Murnane和J.B.Willett(2010):“表现不佳的城市学生高中毕业考试的后果:来自马萨诸塞州的证据”,《教育评估与政策分析》,第32期,第5-23页。Papay,J.P.,J.B.Willett和R.J.Murnane(2011):“将回归不连续方法扩展到多个赋值变量”,经济计量学杂志,161203–207。Van der Klaauw,W.(2002):“估计财政援助对大学入学的影响:回归-不连续方法”,国际经济评论,431249-1287。Wong,V.C.,P.M.Steiner和T.D.Cook(2013):“使用多个分配变量分析回归不连续设计:四种估计方法的比较研究”,《教育与行为统计杂志》,38107–141。A引理和证明在这一节中,我们收集辅助引理和省略的证明。在公布结果之前,我们陈述以下定义。定义1。给定两个Lipschitz常数C和一些正常数δ≥ 0,我们定义ω(δ;C,C):=supf∈F(C),F∈F(C)LRDf- LRDfs。t、 nXi=1f(xi)- f(xi)σ(xi)≤ δ. (20) 量ω(δ;C,C)被称为参数LRDf的F(C)和F(C)的有序连续模。A.1引理A.1。给定一对数字C,C≥ 0和δ≥ 0,定义每个q的ωq(δ;C,C)∈ {t,c}是下式xxi的解∈Xq[ωq(δ;C,C)- Ck(xi)V+k- Ck(xi)V-k] +/σ(xi)=δ。然后,我们得到ωq(δ;C,C)=supf∈F(C),F∈F(C)F(0)- f(0)s.t.Xxi∈Xqf(xi)- f(xi)σ(xi)≤ δ. (21)证据。见Kwon和Kwon(2020)。引理A.2。给定一对C,C≥ 0和δ≥ 0,我们有ω(δ;C,C)=ωt(δ)*t(δ;C,C);C、 C)+ωC(δ)*c(δ;c,c);C、 C)。引理A.2的证明。

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