楼主: 可人4
2511 53

[经济学] 单调回归不连续设计中的推理 [推广有奖]

41楼
何人来此 在职认证  发表于 2022-4-24 17:19:36
注意到LRDF- LRDf=(f2,t(0)- f2,c(0))- (f1,t(0)- f1,c(0))=(f2,t(0)- f1,t(0))+(f1,c(0)- f2,c(0)),ω(δ;c,c)通过求解以下问题得到:supf1,t,f1,c,f2,t,f2,c(f2,t(0)- f1,t(0))+(f1,c(0)- f2,c(0))s.t.nXi=1{xi∈ Xt}f2,t(xi)- f1,t(xi)σ(xi)+{xi∈ Xc}f1,c(xi)- f2,c(xi)σ(xi)!≤ δ、 f1,t,f1,c∈ ∧+,V(C),f2,t,f2,C∈ ∧+,V(C)。利用ωt(δt;C,C)和ωC(δC;C,C)的定义,以及引理A.1,我们可以写出ω(δ;C,C)=supδt≥0,δc≥0,δt+δc=δωt(δt;c,c)+ωc(δc;c,c),从而得出结论。引理A.3。给出一些(C,C)∈ R+和δ≥ 0,写入δ*t:=δ*t(δ;C,C),δ*c:=δ*c(δ;c,c)。然后,我们可以找到F*δ、 1,f*δ,2∈ F(C)×F(C),满足以下三个条件:(i)LRDf*δ,2-LRDf*δ、 1=ω(δ;C,C),(ii)F*δ,2-F*δ,1σ= δ、 (iii)当我们写作时*δ、 2=f*δ、 2,t{x∈ Xt}+f*δ、 2,c{x∈ Xc}f*δ、 1=f*δ、 1,t{x∈ Xt}+f*δ、 1,c{x∈ Xc},F*δ、 1,t,f*δ、 2,t∈ F(C)×F(C)和F*δ、 1,c,f*δ、 2,c∈ F(C)×F(C)满意度*δ、 2,t- F*δ、 1,t=[ωt(δ*TC、 C)- Ck(x)V+k- Ck(x)V-k] +(22)f*δ、 1,c- F*δ、 2,c=[ωc(δ*CC、 C)- Ck(x)V-K- Ck(x)V+k]+,(23)f*δ、 1,t(0)+f*δ、 2,t(0)=ωt(δ*TC、 C)(24)f*δ、 1,c(0)+f*δ、 2,c(0)=ωc(δ*CC、 C)、(25)和F*δ、 2,t- F*δ、 1,tF*δ、 1,t+f*δ、 2,t=F*δ、 2,t- F*δ、 1,t(ωt(δ)*TC、 C)+Ck(x)V+k- Ck(x)V-k) (26)F*δ、 1,c- F*δ、 2,cF*δ、 1,c+f*δ、 2,c=F*δ、 1,c- F*δ、 2,c(ωc(δ)*CC、 C)+Ck(x)V+k- Ck(x)V-k) 。(27)证据。Kwon和Kwon(2020)表明如果我们*δ、 1,t(x)=Ck(x)V+k如果C≤ Cmin{ωt(δt,C,C)- Ck(x)V-k,Ck(x)V+k}否则,f*δ、 2,t(x)=max{ωt(δt,C,C)- Ck(x)V-k,Ck(x)V+k}如果C≤ Cωt(δt,C,C)- Ck(x)V-k否则,我们必须F*δ、 1,t,f*δ、 2,t∈ F(C)×F(C)这些函数求出q=t,C=C和C=C的(21)。

42楼
mingdashike22 在职认证  发表于 2022-4-24 17:19:43
同样,如果我们*δ、 1,c(x)=max{ωc(δc,c,c)- Ck(x)V-k,Ck(x)V+k}如果C≤ CωC(δC,C,C)- Ck(x)V-k否则f*δ、 2,c(x)=Ck(x)V+k如果C≤ Cmin{ωc(δc,c,c)- Ck(x)V-k,Ck(x)V+k}否则F*δ、 1,c,f*δ、 2,c∈ F(C)×F(C),这些函数解(21)的q=C,C=C和C=C。然后,这个引理陈述中的方程(22)-(27)遵循上述公式和引理A.2。引理A.4。给出一些(C,C)∈ 兰德δ≥ 0,设ω(δ;C,C)=Δω(δ;C,C)和写δ*t:=δ*t(δ;C,C),δ*c:=δ*c(δ;c,c)。那么,我们有ω(δ;C,C)=δPxi∈Xt[ωt(δ)*TC、 C)- Ck(x)V+k- Ck(x)V-k] +/σ(xi)=δPxi∈Xc[ωc(δ)*CC、 C)- Ck(x)V-K- Ck(x)V+k]+/σ(xi)。证据注意f∈ F(C)意味着F+z∈ F(C)对于任何z∈ R和C≥ 0.此外,让ιt(x):={x∈ Xt},我们有LRD(ιt)=1。然后,Armstrong和Koles\'ar(2016)中的引理B.3暗示ω(δ;C,C)δ=Pni=1F*δ、 2(xi)- F*δ、 1(xi){x∈ Xt}/σ(xi)=Pxi∈XtF*δ、 2,t(xi)- F*δ、 1,t(xi)/σ(xi),其中f*δ、 j(xi)和f*δ、 j=1,2的j,t(xi)如引理A.3所定义。然后,使用引理A.3中的(22),我们得到这个引理陈述中的第一个等式。同样,如果我们定义ιc(x)=-{x∈ Xc},我们有LRD(ιc)=1,Armstrong和Koles\'ar(2016)中的引理B.3意味着ω(δ;c,c)δ=Pxi∈XcF*δ、 1,c(xi)- F*δ、 2,c(xi)/σ(xi),其中f*δ、 j=1,2的j,c(xi)如引理A.3所定义。然后,在Lemma中使用(23)。在这个引理的陈述中,我们得到了第二个等式。引理A.5。给定一对(C,C),使得≥ C≥ 0,对于δ>0的部分,写δ*t:=δ*t(δ;C,C),δ*c:=δ*c(δ;c,c),和ht,δ=ω*t(δ,C,C)·C、 C, hc,δ=ω*c(δ,c,c)·C、 C.那么,我们有XXI∈XtK(xi,ht,δ)/σ(xi)=(δ)*t/ω*t(δ,C,C)),Xxi∈XcK(xi,hc,δ)/σ(xi)=(δ)*c/ω*c(δ,c,c))。证据

43楼
nandehutu2022 在职认证  发表于 2022-4-24 17:19:50
使用引理A.3中的符号,我们可以写出Xi∈XtK(xi,ht,δ)/σ(xi)=(ω)*t(δ,C,C))Xxi∈XtF*δ、 2,q(xi)- F*δ、 1,q(xi)/σ(xi)。现在,根据f的定义*δ、 1,和f*δ、 2,t,我们有PXI∈XtF*δ、 2,t(xi)- F*δ、 1,t(xi)/σ(xi)=δ*2t,它给出了这个引理的第一个方程的期望结果。第二个等式来自类比推理。A.2主要结果的证明引理的证明4.1。考虑一个较低的CONDENCE区间[C,∞) ∈ Lα(C)。然后,阿姆斯特朗和科尔斯ar(2018a)的定理3.1暗示了SUPF∈F(C)E[LRDf- ^c]≥ ω(z1)-α、 C,C),当假设1成立时。同样的定理也暗示存在[^c,∞) ∈Lα(C)使得它正好达到上面的下限。因此,仍然需要分析ω(z1)的条件-α、 C,C)被某个A(C)所限定。引理A.2意味着我们可以写出ω(z1)-α、 C,C)=ωt(δ*t、 C,C)+ωC(δ)*c、 c,c),其中(δ*t、 δ*c) solvesupδt≥0,δc≥0,δt+δc=z1-αωt(δt,C,C)+ωC(δC,C,C)。由于引理A.1,bt=ωt(δ*t、 C,C)解决方案xi∈Xt[bt- Ck(xi)V+k- Ck(xi)V-k] +/σ(xi)=(δ)*t) 。(28)我们首先考虑苏。定义文本:=(-∞, 0]d∩ Xt。注意,对于任何givenb∈ R、 我们有XXI∈Xt[b- Ck(xi)V+k- Ck(xi)V-k] +/σ(xi)≥二十一∈Xt[b- Ck(xi)V+k- Ck(xi)V-k] +/σ(xi)。因此,给定一些δt≥ 0,如果bt=bt(δt)sxxi∈Xt[bt- Ck(xi)V+k- Ck(xi)V-k] +/σ(xi)=δt,bt≥ ωt(δt,C,C)将保持不变。这意味着ωt(δ*t、 C,C)≤ ωt(z1)-α、 C,C)≤ bt(z1-α) ,其中第一个不等式是由于δ*T≥ 0, δ*C≥ 0和(δ)*t) +(δ)*c) =z1-α. 请注意,席∈ XTXXI∈Xt[bt- Ck(xi)V+k- Ck(xi)V-k] +/σ(xi)=Xxi∈Xt[bt- Ck(xi)V-k] +/σ(xi),假设V={1,…,d}。这意味着bt(z1-α) 是数据和C的函数。同样,如果我们定义Xc:=0,∞)D∩ Xc,bc=bc(δc)是toXxi的解∈Xc[bc- Ck(xi)V+k]+/σ(xi)=δc,bc(z1)-α) 是数据和C的函数。

44楼
能者818 在职认证  发表于 2022-4-24 17:19:56
因此,我们可以设置A(C)=bt(z1-α) +bc(z1)-α).接下来,让我们考虑必要性。首先,假设(-∞, 0]d∩Xt=. 那么,由于(28)中求和的每一个单位都依赖于C,增加C必然会增加bt的大小。因此,ω(z1)-α、 C,C)不能由一个独立于C的项来限定。同样的推理适用于[0,∞)D∩ Xc=, 对于V({1,…,d})的情况,这是定理3.1的证明。首先,给出一些δ≥ 0,考虑优化问题ω(δ;c):= SUPF∈F(C),F∈F(C)LRDf- LRDfs。TF- fσ≤ δ. (29)更准确地说,只有当δ*t、 δ*c> 0,且仅当轴上没有观测时。当n足够大,且运行变量具有连续分布时,这些情况可以忽略。将(29)的解表示为F*δ、 1,f*δ,2. 定义(δ):=ω(δ;C,C)δnXi=1F*δ、 2(xi)- F*δ、 1(xi)易(xi)-ω(δ;C,C)2δnXi=1“F*δ、 2(xi)- F*δ、 1(xi)F*δ、 1(xi)+f*δ、 2(xi)σ(xi)#+LRDF*δ、 1+f*δ,2.在这些定义下,我们可以展示eL(δ)= ω(δ;C,C)supf∈F(C)偏差eL(δ)=(ω(δ;C,C)- Δω(δ;C,C))。定义χ(δ)=cvαsupf∈F(C)偏差eL(δ)sdeL(δ)· sdeL(δ).然后,Donoho(1994)的结果表明,minimax a ffine最优CI为givenbyheL(δ)- eχ(δ),eL(δ)+eχ(δ)i,当选择δ使eχ(δ)最小化时。因此

45楼
何人来此 在职认证  发表于 2022-4-24 17:20:02
如果我们能证明1)eL(δ)与BLMM的形式相同,2)sd的形式相同,那么就证明了这一点eL(δ)和SUPF∈F(C)偏差eL(δ)并以(11)的形式给出。对于第一个声明,请记住,我们可以为j=1,2f写作*δ、 j(x)=f*δ、 j,t(x){x∈ Xt}+f*δ、 j,c(x){x∈ Xc}。因此,我们havel(δ)=ω(δ;C,C)δXxi∈XtF*δ、 2,t(xi)- F*δ、 1,t(xi)易σ(xi)=-ω(δ;C,C)δXxi∈XcF*δ、 1,c(xi)- F*δ、 2,c(xi)易(xi)-ω(δ;C,C)2δXxi∈Xt“F*δ、 2,t(xi)- F*δ、 1,t(xi)F*δ、 2,t(xi)+f*δ、 1,t(xi)σ(xi)#+ω(δ;C,C)2δXxi∈Xc“F*δ、 1,c(xi)- F*δ、 2,c(xi)F*δ、 1,c(xi)+f*δ、 2,c(xi)σ(xi)#+f*δ、 1,t(0)+f*δ、 2,t(0)-F*δ、 1,c(0)+f*δ、 2,c(0)。定义英语(δ)=ω(δ;C,C)δXxi∈XtF*δ、 2,t(xi)- F*δ、 1,t(xi)易(xi)-ω(δ;C,C)2δXxi∈Xt“F*δ、 2,t(xi)- F*δ、 1,t(xi)F*δ、 2,t(xi)+f*δ、 1,t(xi)σ(xi)#+f*δ、 1,t(0)+f*δ、 2,t(0),andeLc(δ)=ω(δ;C,C)δXxi∈XcF*δ、 1,c(xi)- F*δ、 2,c(xi)易(xi)-ω(δ;C,C)2δXxi∈Xc“F*δ、 1,c(xi)- F*δ、 2,c(xi)F*δ、 1,c(xi)+f*δ、 2,c(xi)σ(xi)#+f*δ、 1,c(0)+f*δ、 2,c(0),我们可以看到el(δ)=eLt(δ)-eLc(δ)成立。现在,使用引理A.3中的方程(22)、(24)和(26),以及引理A.4中ω(δ;C,C)δ的第一个表示,我们得到Elt(δ)=Pxi∈Xt[ωt(δ)*TC、 C)- Ck(x)V+k- Ck(x)V-k] +yi/σ(xi)Pxi∈Xt[ωt(δ)*TC、 C)- Ck(x)V+k- Ck(x)V-k] +/σ(xi)-二十一∈Xt[ωt(δ]*TC、 C)- Ck(x)V+k- Ck(x)V-k] +Pxi∈Xt[ωt(δ)*TC、 C)- Ck(x)V+k- Ck(x)V-k] +/σ(xi)×ωt(δ*TC、 C)+ck(x)V+k- Ck(x)V-k) /σ(xi)+ωt(δ)*TC、 C),=Pxi∈XtK(xi/ht)yi/σ(xi)Pxi∈XtK(xi/ht)/σ(xi)+at(δ)。类似地,对于lc(δ),使用引理A.3中的方程(23)、(25)和(27),以及引理A.4中ω(δ;C,C)δ的第二种表示,我们可以得到elc(δ)=Pxi∈XcK(xi/hc)yi/σ(xi)Pxi∈XcK(xi/hc)/σ(xi)+ac(δ),这证明了El(δ)与BLMM具有相同的形式。接下来,对于关于标准偏差和最坏情况偏差的第二种说法,有必要显示ω(δ;C,C)=δ/(Cht(δ))Pxi∈XtK(xi/ht(δ))/σ(xi),ω(δ;C,C)=C(ht(δ)+hc(δ))。首先,第一个等式来自引理A.4。

46楼
kedemingshi 在职认证  发表于 2022-4-24 17:20:08
接下来,ω(δ;C,C)=ωt(δ*t(δ;C);C) +ωC(δ)*c(δ;c);C) 根据引理A.2得出,这意味着第二个等式,从而得出结论。定理4.2的证明。给一些f∈ F(C)和j∈ {1,…,J},我们可以写LRDf<^cLτ(Cj)= Pf^cLτ(Cj)- LRDf>0= Pf^cLτ(Cj)- LRDfω(z1)-τ、 C,Cj)>0= Pf^cLτ(Cj)- LRDfω(z1)-τ、 C,Cj)+z1-τ> z1-τ≡ PfeVj,τ>z1-τ,式中ω(z1)-τ、 C,Cj)的定义见定义CIL(τ):=max1≤J≤J^cLτ(Cj),∞,我们有LRDf/∈ CIL(τ)= Pfj s.t.LRDf<^cLτ(Cj)= Pfmax1≤J≤JeVj,τ>z1-τ.现在,我们想找到τ的最大值,比如supf∈F(C)Pfmax1≤J≤JeVj,τ>z1-τ≤ α、 (30)因此满足覆盖要求。首先,很容易看出这一点eV1,τ。。。,eVJ,τ具有多元正态分布。接下来,注意max1的分位数≤J≤JeVj,τ在每一个EfeV1,τ。。。,EfeVj,τ。此外,方差和协方差eV1,τ。。。,eVJ,τ不要通过构造^cLτ(Cj)来依赖于真正的回归函数f。这意味着max1的分位数≤J≤JeVj,τ小于MAX1的值≤J≤VJ,τ,其中(V1,τ,…,VJ,τ)具有多元正态分布,平均值由EVj给出,τ=supf∈F(C)EfeVj,j=1时的τ。。。,J、 用相同的协方差矩阵eV1,τ。。。,eVJ,τ. 因此,如果我们取τ,那么z1-τ是1- MAX1的α次分位数≤J≤JVj,τ(30)是令人满意的。因此,仍需证明(Vj,τ)Jj=1是一个具有零均值、单位方差和协方差的多变量非线性分布,如(16)所示。对于平均值,通过定义^cLτ(Cj),我们得到了supf∈F(C)Ef^cLτ(Cj)- LRDf= -z1-τsd(bLτ(Cj))=-z1-τω(z1)-τ、 C,Cj),其中最后一行来自阿姆斯特朗和科尔斯的讨论(2018a)。因此,我们得到EVj,τ=0。此外,这也意味着Var(bLτ(Cj))=1。

47楼
能者818 在职认证  发表于 2022-4-24 17:20:15
至于卵巢,我们有冠状病毒bLτ(Cj),bLτ(Ck)=冠状病毒bLt,τ(Cj)-bLc,τ(Cj),bLt,τ(Ck)-bLc,τ(Ck)=冠状病毒bLt,τ(Cj),bLt,τ(Ck)+ 冠状病毒bLc,τ(Cj),bLc,τ(Ck),其中最后一行来自独立性假设,我们可以展示covblt,τ(Cj)ω(z1)-τ、 C,Cj),bLt,τ(Ck)ω(z1)-τ、 C,Ck)=Pxi∈XtK(xi,ht,τ(Cj))K(xi,ht,τ(Ck))/σ(xi)Pxi∈XtK(xi,ht,τ(Cj))/σ(xi)Pxi∈XtK(xi,ht,τ(Ck))/σ(xi)×ω(z1)-τ、 C,Cj)ω(z1)-τ、 C,Ck)=ω*t(z1-τ; C、 Cj)ω*t(z1-τ; C、 Ck)z1-τXxi∈XtK(xi,ht,τ(Cj))K(xi,ht,τ(Ck))/σ(xi),其中最后一个等式来自引理A.4和K(xi,ht,τ(Cj)的定义。同样,我们可以展示bLc,τ(Cj),bLc,τ(Ck)=ω*c(z1-τ; Cj,C)ω*c(z1-τ; Ck,C)z1-τXxi∈XtK(xi,hc,τ(Cj))K(xi,hc,τ(Ck))/σ(xi),这证明协方差项具有与(16)中相同的形式。命题4.4的证明。最后一个陈述来自我们论文的引理A.2和阿姆斯特朗和科尔斯ar(2018a)的定理3.1,所以我们关注前面的陈述。首先,我们陈述了Uj的均值和协方差矩阵。给定C={C,…,CJ},让τ*= τ*(C) 是求解(17)的τ的值。

48楼
何人来此 在职认证  发表于 2022-4-24 17:20:21
那么,我们有Euj=Pxi∈XtK(xi,ht,τ)*(Cj)C | |(xi)V-|| /σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)+Pxi∈XcK(xi,hc,τ)*(Cj)C | |(xi)V+| |/σ(xi)Pxi∈XcK(xi,hc,τ)*(Cj))/σ(xi)+z1-τ*sd(bLτ)*(Cj))+supf∈F(C)偏差(bLτ)*(Cj)),andCov(Uj,英国)=Pxi∈XtK(xi,ht,τ)*(Cj)K(xi,ht,τ*(Ck))/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)Pxi∈XtK(xi,ht,τ)*(Ck))/σ(xi)+Pxi∈XcK(xi,hc,τ)*(Cj)K(xi,hc,τ*(Ck))/σ(xi)Pxi∈XcK(xi,hc,τ)*(Cj))/σ(xi)Pxi∈XcK(xi,hc,τ)*(Ck))/σ(xi)。为了证明命题中的陈述,定义*C(x):=-C | |(x)V-|| 1(x)∈ Xt)+C | |(x)V+| | 1(x)∈ Xc)。然后,我们展示\'adpt(C;C)=supf∈F(C)Efmin1≤J≤JLRDf- ^cLτ*(Cj)=: supf∈F(C)Efmin1≤J≤J(Zj(f))=Ef*Cmin1≤J≤J(Zj(f)*C) )=Ef*Cmin1≤J≤J- ^cLτ*(Cj)。第一次和最后一次的平局由定义决定(自LRDf以来)*C=0),所以我们要展示的是倒数第二个等式。这足以证明,对于每个j∈ {1,…,J},supf∈F(C)EfLRDf- ^cLτ*(Cj)= Ef*CLRDf*C- ^cLτ*(Cj)= Ef*C^cLτ*(Cj).注意,(Zj(f))Jj=1具有一个多元正态分布,其中有一些平均向量(uj(f))Jj=1和一个不依赖于f的方差矩阵。这意味着如果f*对于所有j=1,…,Cmax将uj(f)最大化。。。,J、 它还最大化了Efmin1≤J≤J(Zj(f))。对于简写符号,定义χLτ(C):=supf∈F(C)biasfbLτ(C)+ z1-τsdbLτ(C).现在,请注意,我们可以∈F(C)EfLRDf- ^cLτ*(Cj)= supf∈F(C)EfLRDf-bLτ*(Cj)+χLτ*(Cj)= supf∈F(C)EfLRDf-bLτ*(Cj)+ χLτ*(Cj),因为χLτ*(Cj)是一个固定数量。

49楼
mingdashike22 在职认证  发表于 2022-4-24 17:20:29
最后一行中的第一个术语可以写成assupf∈F(C)EfLRDf-bLτ*(Cj)= supft,fc∈F(C)Ef英尺(0)-Pxi∈XtK(xi,ht,τ)*(Cj)yi/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)-fc(0)-Pxi∈XcK(xi,hc,τ)*(Cj)yi/σ(xi)Pxi∈XcK(xi,hc,τ)*(Cj))/σ(xi)= supft∈F(C)Eft英尺(0)-Pxi∈XtK(xi,ht,τ)*(Cj)ft(xi)/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)- inffc∈F(C)Efcfc(0)-Pxi∈XcK(xi,hc,τ)*(Cj))fc(xi)/σ(xi)Pxi∈XcK(xi,hc,τ)*(Cj))/σ(xi).注意,ft(0)和fc(0)可以标准化为0,因为对于某些v,如果我们考虑ft=ft+v∈ R、 eft(0)-Pxi∈XtK(xi,ht,τ)*(Cj)eft(xi)/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)=ft(0)+v-Pxi∈XtK(xi,ht,τ)*(Cj)/σ(xi))(ft(xi)+v)/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)=ft(0)-Pxi∈XtK(xi,ht,τ)*(Cj)ft(xi)/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi),同样适用于fc。因此,我们有SUPFT∈F(C)Eft英尺(0)-Pxi∈XtK(xi,ht,τ)*(Cj)ft(xi)/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)= - infft∈F(C),ft(0)=0Pxi∈XtK(xi,ht,τ)*(Cj)ft(xi)/σ(xi)Pxi∈XtK(xi,ht,τ)*(Cj))/σ(xi)。Kwon和Kwon(2020)证明了这个问题的极小值是由byf给出的*t(x)=-C | |(x)V-|| .同样,我们也有- inffc∈F(C)Efcfc(0)-Pxi∈XcK(xi,hc,τ)*(Cj))fc(xi)/σ(xi)Pxi∈XcK(xi,hc,τ)*(Cj))/σ(xi)= supfc∈F(C),fc(0)=0Pxi∈XcK(xi,hc,τ)*(Cj))fc(xi)/σ(xi)Pxi∈XcK(xi,hc,τ)*(Cj))/σ(xi)。Kwon和Kwon(2020)再次给出了byf的最大值*c(x)=c | |(x)V+| |。因此,当f=f时,达到最坏情况下的预期长度*C.最后,很容易看出这一点-^cLj与引理中给出的均值和协方差联合正态分布,当f=f时*C、 这证明了我们的主张。B无偏估计量对于Armstrong和Koles’ar(2018c)中的CAs,我们可以使用数据估计C的下界。我们首先解释d=1的情况的可能性。假设Xt=[xmin,0]和Xc=(0,xmax)≥ 十、≥ 0,我们有Fc(x)- fc(x)≤ C(x)- x) 。(31)设nc:=Pni=1{xi∈ Xc},并将acm>0设置为pni=1{xi∈ XC,席≤ acm}=nc/2。

50楼
大多数88 在职认证  发表于 2022-4-24 17:20:35
然后,我们有nc/2“nXi=1fc(xi){xi∈ Xc,xi>acm}-nXi=1fc(xi){xi∈ XC,席≤ acm}#(32)≤Cnc/2nXi=1xi{xi∈ Xc,xi>acm},(33)所以我们有≥nc/2[Pni=1fc(xi){xi∈ Xc,xi>acm}-Pni=1fc(xi){xi∈ XC,席≤ acm}]nc/2[Pni=1xi{xi∈ Xc,xi>acm}-Pni=1xi{xi∈ XC,席≤ [acm}]。(34)我们估计(34)的RHS,用uc表示,用^uc:=nc/2[Pni=1yi{xi∈ Xc,xi>acm}-Pni=1yi{xi∈ XC,席≤ acm}]nc/2[Pni=1xi{xi∈ Xc,xi>acm}-Pni=1xi{xi∈ XC,席≤ [acm}]。(35)我们可以很容易地看到^u是uc的无偏估计量。同样,我们可以使用Xtby^ut:=nt/2[Pni=1yi{xi]中的数据形成一个下界估计量∈ Xt,xi>atm}-Pni=1yi{xi∈ XT,席≤ atm}]nt/2[Pni=1xi{xi∈ Xt,xi>atm}-Pni=1xi{xi∈ XT,席≤ atm}],(36)其中nt:=Pni=1{xi∈ Xt}和atm<0被设置为pni=1{xi∈ XT,席≤ atm}=nt/2。在Lee(2008)的数据集中,结果是^uc=0.353和^ut=0.355。对于d>1的情况,我们可以使用类似的推理。例如,当d=d+时,我们使用不等式fc(x)- fc(x)≤ C kx- xk,(37)对于任何x,xsuch,x2r≥ X1R对于所有r=1。。。,d、 找到Xc的两个子集,即xc1和Xc2so,即1)x∈ xC2和x∈ Xc1implies x2r≥ X1R对于所有r=1。。。,d、 2)每组中的观察次数等于nc/2。索引席的x,x,…x~nc/2∈ xc1和x/nc/2+1。。。,x~nc∈ Xc2。从中定义一些一对一映射1, 2, ...,~nc到~nc+1,~nc+2。。。,~nc. 然后,我们有了C≥Pnc/2i=1足球俱乐部xj(一)- fc(xi)Pnc/2i=1xj(一)- 席. (38)同样,可以通过将fc(xi)替换为yi来估计下限。在本节中,我们将讨论具有单调多个运行变量的RDD应用程序。当呈现这些经验应用时,我们将RD设计的类别归类为以下三种情况,这取决于运行变量如何与治疗的分配相关。

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 12:20