[论文解读] On the Effect of Bias Estimation on Coverage Accuracy in Nonparametric Inference

Sebastián Calónico, Matias D. Cattaneo+1 more|arXiv (Cornell University)|Aug 12, 2015

Statistical Methods and Inference被引用 4

一句话总结

本文提出了一种用于核方法偏差校正置信区间的新型学生化方法，在非参数推断中证明了偏差校正可降低覆盖误差并提高带宽选择的稳健性。研究显示，使用二阶核与适当的标准误可加快覆盖误差的衰减速率，尤其在内部点与边界点处表现更优，且推导出了适用于实际应用的最优带宽。

ABSTRACT

Nonparametric methods play a central role in modern empirical work. While they provide inference procedures that are more robust to parametric misspecification bias, they may be quite sensitive to tuning parameter choices. We study the effects of bias correction on confidence interval coverage in the context of kernel density and local polynomial regression estimation, and prove that bias correction can be preferred to undersmoothing for minimizing coverage error and increasing robustness to tuning parameter choice. This is achieved using a novel, yet simple, Studentization, which leads to a new way of constructing kernel-based bias-corrected confidence intervals. In addition, for practical cases, we derive coverage error optimal bandwidths and discuss easy-to-implement bandwidth selectors. For interior points, we show that the MSE-optimal bandwidth for the original point estimator (before bias correction) delivers the fastest coverage error decay rate after bias correction when second-order (equivalent) kernels are employed, but is otherwise suboptimal because it is too "large". Finally, for odd-degree local polynomial regression, we show that, as with point estimation, coverage error adapts to boundary points automatically when appropriate Studentization is used; however, the MSE-optimal bandwidth for the original point estimator is suboptimal. All the results are established using valid Edgeworth expansions and illustrated with simulated data. Our findings have important consequences for empirical work as they indicate that bias-corrected confidence intervals, coupled with appropriate standard errors, have smaller coverage error and are less sensitive to tuning parameter choices in practically relevant cases where additional smoothness is available.

研究动机与目标

• 研究偏差估计对非参数推断中覆盖准确性的影响，特别是在核密度和局部多项式回归中的表现。
• 比较偏差校正与欠平滑作为最小化置信区间覆盖误差策略的优劣。
• 开发一种新型学生化技术，以增强非参数推断中的稳健性并降低覆盖误差。
• 推导偏差校正后最小化覆盖误差的最优带宽，尤其关注内部点与边界点。
• 提供实用的带宽选择器，以提升实际经验应用中的性能。

提出的方法

• 提出一种新颖的学生化程序，通过调整标准误以考虑偏差校正，从而改善小样本下的覆盖性质。
• 利用有效的埃奇沃斯展开推导偏差校正置信区间覆盖误差的渐近展开式。
• 在二阶核与局部多项式回归框架下，推导内部点与边界点的覆盖误差最优带宽。
• 采用二阶（等价）核，以确保偏差校正后覆盖误差衰减速率更快。
• 提出基于覆盖误差最小化的易于实现的带宽选择器，专为经验研究中的实际应用而设计。
• 分析不同带宽选择下覆盖误差的行为，比较均方误差最优带宽与覆盖误差最优带宽。

实验结果

研究问题

• RQ1 与欠平滑相比，偏差校正是否能提升非参数置信区间中的覆盖准确性？
• RQ2 新的学生化方法是否能降低覆盖误差并提高核方法推断中对带宽选择的稳健性？
• RQ3 偏差校正后，最小化覆盖误差的最优带宽是什么？它与均方误差最优带宽有何不同？
• RQ4 在边界点处，覆盖误差的行为如何？是否能通过适当的校正标准误实现自动适应？
• RQ5 使用二阶核在多大程度上提升了偏差校正置信区间的性能？

主要发现

• 使用所提出的学生化方法进行偏差校正，其覆盖误差衰减速率快于欠平滑，尤其在使用二阶核时更为显著。
• 对于内部点，原始估计器的均方误差最优带宽在偏差校正后变得过宽，因此次优；而覆盖误差最优带宽更小。
• 当使用二阶核时，均方误差最优带宽在偏差校正后可实现最快的覆盖误差衰减速率，但仅在特定光滑性条件下成立。
• 对于奇数次局部多项式回归，当应用适当的校正学生化方法时，覆盖误差能自动适应边界点，从而提升稳健性。
• 明确推导出覆盖误差最优带宽，并在有限样本中显示其覆盖误差显著低于均方误差最优带宽。
• 所提出的方法在具有额外光滑性的实际相关设定中，可产生覆盖误差更小且对调优参数选择不敏感的置信区间。