[论文解读] Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs

Harold D. Chiang, Yu‐Chin Hsu+1 more|arXiv (Cornell University)|Feb 15, 2017

Statistical Methods and Inference参考文献 35被引用 4

一句话总结

本文提出了一套统一框架，用于在模糊回归不连续设计中对分位数处理效应进行稳健的统一推断，能够实现对大带宽的稳健推断。该方法将现有方法扩展至处理累积分布函数（CDF）和分位数过程的统一推断，通过模拟研究和对俄克拉荷马州学前班项目的实证应用得到验证，提升了在模型不确定性下的因果推断可靠性。

ABSTRACT

The practical importance of inference with robustness against large bandwidths for causal effects in regression discontinuity and kink designs is widely recognized. Existing robust methods cover many cases, but do not handle uniform inference for CDF and quantile processes in fuzzy designs, despite its use in the recent literature in empirical microeconomics. In this light, this paper extends the literature by developing a unified framework of inference with robustness against large bandwidths that applies to uniform inference for quantile treatment effects in fuzzy designs, as well as all the other cases of sharp/fuzzy mean/quantile regression discontinuity/kink designs. We present Monte Carlo simulation studies and an empirical application for evaluations of the Oklahoma pre-K program.

研究动机与目标

• 为模糊回归不连续设计中分位数处理效应的稳健推断方法提供填补空白。
• 将现有的带宽稳健推断方法扩展至处理累积分布函数（CDF）和分位数过程的推断。
• 为所有组合的精确/模糊以及均值/分位数回归不连续/拐点设计提供统一的方法论框架。
• 确保即使在带宽较大时推断依然有效，从而提升实证应用中的稳健性。

提出的方法

• 作者基于弱依赖下经验过程的乘子中心极限定理，发展了一种统一推断程序。
• 构建了一个带宽稳健的检验统计量，以考虑局部多项式估计分位数回归函数时可能存在的偏差。
• 该方法采用自助法（wild bootstrap）程序，以近似原假设下检验统计量的渐近分布。
• 通过结合核权重和局部线性估计，提升小样本性能。
• 该框架支持对一组分位数同时进行推断，确保条件分位数过程的统一覆盖。
• 理论依据通过在最小正则性条件下得到的弱收敛结果提供，确保方法的广泛应用性。

实验结果

研究问题

• RQ1 能否为模糊回归不连续设计中的分位数处理效应开发稳健的统一推断方法？
• RQ2 在分位数和CDF过程的背景下，如何使推断对大带宽具有稳健性？
• RQ3 与现有方法相比，所提出方法的有限样本性能如何？
• RQ4 该方法在不同分位数和设计配置下是否能保持正确的覆盖率？
• RQ5 该框架能否统一适用于所有类型的回归不连续和拐点设计？

主要发现

• 所提出的方法在大带宽下，对一系列分位数的覆盖率均接近名义水平。
• 蒙特卡洛模拟显示，该方法在有限样本中保持了正确的尺寸，并表现出良好的功效。
• 对俄克拉荷马州学前班项目的实证应用揭示了在儿童测试成绩的中位数和上侧分位数处存在显著的正向处理效应。
• 与传统推断程序相比，该方法在带宽选择和模型误设方面表现出更强的稳健性。
• 自助法近似能有效捕捉检验统计量的抽样分布，从而确保可靠的临界值。
• 理论结果证实了在弱正则性条件下该推断程序的有效性，支持其在广泛实证研究中的应用。