PLRD: Partially Linear Regression Discontinuity Inference
Stanford University（斯坦福大学）
本文提出部分线性回归断点推断方法，解决传统回归断点设计置信区间覆盖率不足和区间过宽的问题，提供有效且短的置信区间及大样本保证。
2026-08-27 econ.EM stat.ME
Identification and Estimation in Fuzzy Regression Discontinuity Designs with Covariates
University of Georgia（佐治亚大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
本文提出了一种基于合规加权的局部处理效应估计方法，用于改进带有协变量的模糊回归断点设计中的估计稳定性与精度。
2026-02-01 econ.EM
Nonparametric Identification and Estimation with Non-Classical Errors-in-Variables
本文针对协变量存在非经典测量误差的情况，利用小测量误差近似和工具变量，建立了回归函数的非参数识别与估计，并推导了估计量的收敛速度。
2024-03-17 econ.EM
Average Marginal Effects in One-Step Partially Linear Instrumental Regressions
CREST, CNRS, Ecole polytechnique, Groupe ENSAE-ENSAI, ENSAE Paris, Institut Polytechnique de Paris（CREST, 法国国家科学研究中心, 巴黎综合理工学院, ENSAE-ENSAI小组, 巴黎高等统计与行政学院, 巴黎理工学院）；University of Exeter and CREST（埃克塞特大学和 CREST）
本文提出了一种基于再生核希尔伯特空间的方法，用于估计和检验部分线性工具回归中的平均边际效应，通过单一正则化参数实现一致性与渐近正态性，并利用贝叶斯抽样法进行推断。
2026-04-13 econ.EM math.ST stat.TH
Partially identified heteroskedastic SVARs
University of Bologna（博洛尼亚大学）；Brown University（布朗大学）；University of Milan（米兰大学）；Fondazione Eni Enrico Mattei（埃尼·恩里科·马泰伊基金会）；Study Center Gerzensee, Foundation of the Swiss National Bank（瑞士国家银行Gerzensee研究中心）
本文提出了一种处理异方差SVARs中多重特征值问题的方法，通过特征分解和贝叶斯推断来识别冲击响应并进行推断。
2026-11-09 econ.EM
IV Regressions without Exclusion Restrictions
本文研究了在无排除性工具变量条件下内生回归模型的识别与估计，提出了两种半参数估计量和一种基于离散化的估计量，证明了其渐近正态性，并通过模拟和实证验证了其稳健性。
2023-07-31 econ.EM
Manipulation-Robust Regression Discontinuity Designs
本研究借助运行变量操纵的潜在结果框架，为回归断点设计提出简单的识别低层条件，以两项操纵约束替代现有识别表述，明确连续密度的关键作用，并确立诊断密度检验的辅助假设，使设计具备操纵稳健性。
2024-09-17 econ.EM stat.ME
Orthogonality conditions for convex regression
针对凸回归中识别正交性条件未知的问题，基于拉格朗日对偶理论建立样本正交性条件，并提出混合工具变量条件函数方法以减轻内生性影响。
2025-06-26 econ.EM stat.ME
Parametrization, Prior Independence, and the Semiparametric Bernstein-von Mises Theorem for the Partially Linear Model
针对部分线性回归模型证明了半参数 Bernstein-von Mises 定理，通过可行重新参数化反映半参数结构，避免了先验不变性条件，并在小波序列和 Matérn 高斯过程先验下验证。
2025-04-07 econ.EM math.ST stat.TH
Regression Discontinuity Design with Multivalued Treatments
研究了多值处理变量的断点回归设计（RDD）中的识别和估计问题。我们还允许包含协变量。我们表明，没有额外的信息，处理效应没有确定。我们给必要和充分条件，导致识别的LATE以及加权平均的条件LATE。我们表明，如果第一阶段的多个治疗条件的协变量的不连续性是线性独立的，那么它是可能的，以方便可识别的权重识别多元加权平均值的处理效应。此外，如果处理效应不随某些协变量而变化，或者可以假设灵活的参数结构，则可以识别（实际上，过度识别）所有的处理效应。过度识别可以用来检验这些假设。我们提出了一个简单的估计，它可以在软件包中编程为一个两阶段最小二乘法回归，和包装的标准误差和测试也可以使用。最后，我们实施我们的方法来确定不同类型的保险覆盖对医疗保健利用的影响，如Card，Dobkin和Maestas（2008）。
2020-07-01 econ.EM stat.ME
Semiparametric Inference for Regression-Discontinuity Designs
本文提出一种半参数框架用于识别断点回归设计中的平均处理效应，无需无混淆假设，通过部分线性建模和P-spline方法实现全局推断，理论分析与模拟表明其收敛速率更快且性能优于局部方法。
2024-12-25 econ.EM stat.ME
A path-sampling method to partially identify causal effects in instrumental variable models
在一般工具变量模型中，部分识别方法是标准点识别方法的一种灵活和鲁棒的替代方法。然而，这种灵活性是以“基数诅咒”为代价的：对所确定的集合的限制数量随着支持内源性处理的点的数量呈指数级增长。本文提出了一种新的路径采样方法来应对这一挑战。它的目的是部分识别因果效应的利益在最复杂的模型与连续的内源性治疗。随机过程表示允许将对个人行为的假设无缝地合并到模型中。一些潜在的应用包括不完全依从性随机试验中的剂量反应估计，社会计划的评估，需求模型中的福利估计和连续选择模型。作为一个示范，该方法提供了翔实的非参数范围内的家庭支出的假设下，支出是连续的。数学上的贡献是一种近似求解无限维线性规划路径空间通过采样。
2020-06-29 econ.EM math.ST stat.TH
Simultaneous Inference of a Partially Linear Model in Time Series
本文提出一种针对部分线性时间序列回归模型中多元非参数函数的联合置信区域构建方法，通过扩展高维高斯逼近至相依过程，适用于多种自回归模型，并经模拟和远期溢价回归验证。
2023-09-02 econ.EM math.ST stat.ME
Nonparametric instrumental regression with right censored duration outcomes
本文分析了离散处理Z对持续时间T的影响。治疗不是随机分配的。使用离散的工具变量解释治疗和独立的模型的误差项的混杂问题进行治疗。我们的框架是非参数的，并允许随机右删失。该规范生成非线性逆问题，并且从其解导出平均处理效果。我们提供了依赖于一个非线性系统方程的局部和全局识别特性。我们提出了一个估计程序来解决这个系统，并推导出收敛速度和条件下，估计是渐近正态的。当删失使识别失败时，我们开发部分识别结果。我们的估计在模拟中表现出良好的有限样本性质。我们还将我们的方法应用于伊利诺伊州再就业奖金实验。
2020-11-20 econ.EM math.ST q-bio.QM
Minimax Instrumental Variable Regression and $L_2$ Convergence Guarantees without Identification or Closedness
Cornell University（康奈尔大学）；Tsinghua University（清华大学）；Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）
本文研究了工具变量（IV）回归的非参数估计.近年来，许多灵活的机器学习方法已经被开发用于工具变量估计。然而，这些方法具有以下限制中的至少一个：（1）将IV回归限制为被唯一地标识;（2）仅获得关于伪度量（\emph{e.g.,}投影范数）而不是有效度量（\emph{e.g.,} $L_2$范数）的估计误差率;或者（3）施加所谓的封闭性条件，其要求某个条件期望算子足够平滑。在本文中，我们提出了第一种方法和分析，可以避免所有这三个限制，同时仍然允许一般的函数近似。具体来说，我们提出了一个新的惩罚极大极小估计，即使有多个解决方案，可以收敛到一个固定的IV解决方案，我们推导出一个强大的$L_2$错误率估计宽松的条件下。值得注意的是，这种保证只需要一个广泛使用的源条件和可实现性假设，而不需要所谓的封闭性条件。我们认为，源条件和封闭性条件本质上是冲突的，因此放松后者显着改善现有的文献，需要这两个条件。我们的估计可以实现这一改进，因为它建立在一个新的配方的IV估计问题作为一个约束优化问题。
2023-02-10 cs.LG econ.EM math.ST
