跳转至

Threshold Regression With a Threshold Boundary

作者: Ping Yu, Xiaodong Fan
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 5/10
机构绿灯: University of Hong Kong（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2020.1740712

一、领域脉络与小综述

这个方向是什么

阈值回归（Threshold Regression, TR）是处理“结构变化发生在某个未知阈值点”的一类非线性时间序列/截面模型。经典设定是：存在一个标量阈值变量 \(q_t\) 和一个未知阈值参数 \(\gamma\)，当 \(q_t \le \gamma\) 与 \(q_t > \gamma\) 时，回归系数发生跳跃。这个方向的核心统计问题是：如何估计未知阈值参数 \(\gamma\) 及其对应的回归系数，并检验阈值效应的存在性。当前成熟度较高——经典 Hansen (2000) 已建立了固定阈值效应下的渐近理论，但绝大多数工作假设阈值是常数（即不随其他协变量变化）。本文的贡献在于将阈值推广为随协变量变化的阈值边界（threshold boundary），即 \(\gamma = g(z)\)，其中 \(z\) 是协变量向量，\(g(\cdot)\) 是未知函数。

发展脉络（history）

  1. 奠基工作：
  2. Hansen (2000)：建立了固定阈值效应下最小二乘估计量的渐近分布理论，并提出了似然比检验（LR test）来构造阈值参数的置信集。这是该领域的标准参考。

  3. Chan (1993)：在时间序列背景下证明了阈值自回归（TAR）模型中阈值参数的超一致性（super-consistency，收敛速度 \(n^{-1}\)），奠定了阈值估计的渐近基础。

  4. 主要进展：

  5. Hansen (2017)：提出了“回归 kink”（regression kink）模型，其中阈值处斜率发生连续变化（而非跳跃），扩展了阈值回归的形态。
  6. Yu (2012)：研究了“小阈值效应”（small-threshold-effect）框架，即阈值处的跳跃幅度随样本量增大而趋于零，从而得到不同的渐近分布（收敛速度变慢，且分布非标准）。
  7. Seo & Linton (2007)：将阈值回归推广到平滑系数模型（smooth coefficient model），允许阈值变量与协变量交互。

  8. Caner & Hansen (2004)：将阈值回归与工具变量（IV）结合，处理内生性下的阈值效应估计。

  9. 当前 frontier：

  10. 阈值边界的非参数估计（即 \(g(z)\) 未知，需用核方法或级数逼近估计）。
  11. 高维阈值回归（协变量维数 \(p\) 随样本量增长）。

  12. 阈值回归与因果推断（如断点回归设计 RDD 中的非恒定断点）的交叉。

  13. 本文的位置：

  14. 本文是第一个系统研究“阈值边界”（threshold boundary）的论文——即阈值本身是协变量的函数，而非常数。作者在引言中明确说：“To the best of our knowledge, no existing work has considered threshold regression with a threshold boundary.” 它填补了从常数阈值到函数阈值的关键缺口。

子线索聚类

这些被引文献大致落在 3 条子线索上：

  1. 常数阈值回归（经典）：
  2. Hansen (2000), Chan (1993), Bai (1997), Bai & Perron (1998, 2003)
  3. 核心：固定阈值效应下的超一致性、似然比检验、多重结构变化。

  4. 瓶颈：阈值不随协变量变化，限制了应用场景（如经济学中阈值可能随个体特征变化）。

  5. 小阈值效应与弱识别：

  6. Yu (2012), Andrews & Cheng (2012), Pötscher (2004)
  7. 核心：当阈值效应很弱（跳跃幅度随 \(n\) 趋于零）时，阈值估计量的渐近分布变为非标准（如局部渐近正态），且检验功效下降。

  8. 瓶颈：小阈值效应下的推断方法尚不完善，尤其是置信集的构造。

  9. 非参数与半参数阈值模型：

  10. Seo & Linton (2007), Delgado & Hidalgo (2000), Lee & Seo (2008)
  11. 核心：允许阈值变量与协变量交互，或阈值函数为非参数形式。
  12. 瓶颈：计算复杂度高（需同时估计阈值函数和回归系数），且渐近理论不完整。

这个方向在追问的核心问题

  1. 阈值参数的识别与估计：当阈值随协变量变化时，如何保证 \(g(z)\) 的可识别性？需要什么条件（如阈值变量的支撑集、跳跃幅度）？
  2. 推断方法：如何构造阈值边界的置信集？似然比反转法是否仍然有效？非参数后验区间是否可行？
  3. 检验阈值效应的存在性：如何检验 \(H_0: \delta = 0\)（无阈值效应）？Wald 型检验计算量大，是否有更高效的替代方案？
  4. 小阈值效应下的推断：当跳跃幅度很小时，现有方法（如 LR 检验）是否仍然有效？是否需要新的渐近理论？

⚠️ 作者的 framing

这是作者的说法：作者把缺口 frame 成“现有阈值回归文献几乎全部假设阈值为常数，但许多经济现象中阈值可能随个体特征（如年龄、教育水平）变化，因此需要阈值边界模型”。他们通过以下方式让本文成为“显然的下一步”： - 指出 Hansen (2000) 的 LR 反转法在阈值边界设定下失效（因为阈值参数维数随协变量维数增长，LR 统计量的渐近分布依赖于未知函数 \(g(z)\)）。 - 提出非参数后验区间（nonparametric posterior interval）作为替代，并证明其有效性。 - 提出得分型检验（score-type test），相比 Wald 型检验计算量更小。

被淡化或回避的竞争路线： - 作者没有讨论“将阈值边界视为一个非参数函数并用核方法估计”的路线（如 Seo & Linton 2007 的平滑系数模型），而是采用参数化的阈值边界（假设 \(g(z) = z^\top \beta\)）。这回避了非参数估计的维数诅咒和带宽选择问题。 - 作者没有讨论“高维协变量”下的阈值边界估计（如 \(p > n\) 时如何选择 \(z\) 中的变量）。

什么明显该被引/该存在、却没出现在 intro 里： - 断点回归设计（RDD）中的非恒定断点：RDD 中处理变量在断点处跳跃，但断点本身可能随协变量变化（如年龄阈值因政策而异）。这与阈值边界模型直接相关，但作者未引用 RDD 文献（如 Imbens & Lemieux 2008, Cattaneo et al. 2019）。 - 高维阈值回归：如 Lee et al. (2015) 或 Wang et al. (2019) 关于高维阈值模型的工作，但本文未涉及。 - 因果推断中的异质性处理效应：阈值边界可视为处理效应随协变量变化的特例，但作者未连接因果推断文献（如 marginal treatment effects, Heckman & Vytlacil 2005）。

张力

未见明显对立引用。所有被引工作基本一致地认为：常数阈值假设是主流，但扩展到阈值边界是自然且必要的下一步。唯一的张力在于“小阈值效应”框架（Yu 2012）与“固定阈值效应”框架（Hansen 2000）之间的渐近分布差异——本文同时考虑了这两种框架，并分别给出了结果。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \(y_t\)：响应变量（标量），\(t = 1, \dots, n\)。 - \(x_t\)：\(k \times 1\) 回归协变量向量（包括截距项）。 - \(q_t\)：阈值变量（标量），决定结构变化发生的位置。 - \(z_t\)：\(m \times 1\) 协变量向量，用于定义阈值边界（可能包含 \(q_t\) 或 \(x_t\) 的子集）。 - \(\gamma\)：阈值参数（标量），在常数阈值模型中为未知常数。 - \(g(z_t)\)：阈值边界函数，本文假设为线性形式 \(g(z_t) = z_t^\top \beta\)，其中 \(\beta\) 是 \(m \times 1\) 未知参数向量。 - \(\delta\)：阈值效应幅度（标量），即回归系数在阈值前后的跳跃量。 - \(\theta_1, \theta_2\)：\(k \times 1\) 回归系数向量，分别对应 \(q_t \le g(z_t)\) 和 \(q_t > g(z_t)\) 的区间。 - \(1(\cdot)\)：示性函数。

模型：

\[y_t = x_t^\top \theta_1 + \delta \cdot 1(q_t > g(z_t)) + \varepsilon_t\]
其中 \(\varepsilon_t\) 是均值为零、方差为 \(\sigma^2\) 的独立同分布误差项。注意：这里假设只有截距项发生跳跃（即 \(\theta_2 = \theta_1 + \delta \cdot e_1\)，其中 \(e_1\) 是第一个单位向量），但模型可推广到所有系数都跳跃的情形。本文的核心设定是：阈值边界 \(g(z_t) = z_t^\top \beta\) 是未知的，需要与 \(\theta_1, \delta\) 一起估计。

可观测数据： - 研究者观测到 \(\{(y_t, x_t, q_t, z_t)\}_{t=1}^n\)，即每个个体 \(t\) 的响应、回归协变量、阈值变量、边界协变量。 - 不可观测：阈值边界函数 \(g(z_t)\) 本身（需从数据中估计）、误差项 \(\varepsilon_t\)、以及潜在的反事实结果（如果 \(q_t\) 在阈值两侧不同）。

第二步：讲最小内核

最简特例：假设 \(k=1\)（只有截距项，无其他回归协变量），\(m=1\)（阈值边界仅依赖于一个协变量 \(z_t\)），且 \(q_t\) 与 \(z_t\) 独立。模型退化为：

\[y_t = \theta_1 + \delta \cdot 1(q_t > \beta z_t) + \varepsilon_t\]
其中 \(\beta\) 是标量未知参数。这个特例抓住了本文的核心困难：阈值边界 \(g(z_t) = \beta z_t\) 是线性的，但参数 \(\beta\) 出现在示性函数内部，导致目标函数（残差平方和）关于 \(\beta\) 是非光滑、非凸的。

核心思路： 1. 估计：最小二乘估计量 \((\hat{\theta}_1, \hat{\delta}, \hat{\beta})\) 最小化残差平方和：

\[S_n(\theta_1, \delta, \beta) = \sum_{t=1}^n (y_t - \theta_1 - \delta \cdot 1(q_t > \beta z_t))^2\]
由于 \(1(\cdot)\) 的存在，\(S_n\) 关于 \(\beta\) 是阶梯函数（只有有限个跳跃点），因此最小化可通过网格搜索实现——但网格维数随 \(m\) 增长（本文提出新算法降低计算量）。

  1. 渐近理论：
  2. 固定阈值效应（\(\delta\) 为常数）：\(\hat{\beta}\) 是超一致的（收敛速度 \(n^{-1}\)），渐近分布为“复合泊松过程”的 argmin（类似 Chan 1993）。

  3. 小阈值效应（\(\delta = \delta_n \to 0\) 且 \(\sqrt{n}\delta_n \to c\)）：\(\hat{\beta}\) 收敛速度降为 \(n^{-1/2}\)，渐近分布为高斯过程（类似 Yu 2012）。

  4. 推断：

  5. 似然比反转法失效：因为 \(\beta\) 的维数随 \(m\) 增长，LR 统计量的渐近分布依赖于未知的 \(g(z_t)\) 形式，无法直接用于构造置信集。
  6. 非参数后验区间：基于 bootstrap 或贝叶斯方法，对 \(\beta\) 的每个分量构造置信区间，不依赖渐近分布的具体形式。

为什么这个特例是“最小内核”：它去掉了所有为一般性服务的技术假设（如多个回归系数、高维边界协变量、误差项异方差），只保留了一个参数 \(\beta\) 和一个跳跃幅度 \(\delta\)。在这个特例下，本文的核心贡献——阈值边界估计的渐近理论和LR 反转法失效的发现——已经完整呈现。一般情形（\(k>1, m>1\)）只是这个特例的“加壳”：增加回归系数维数不影响阈值估计的超一致性，增加边界协变量维数只是让网格搜索更复杂（但算法可处理）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在阈值回归模型中，允许阈值随协变量变化（即阈值边界 \(g(z_t) = z_t^\top \beta\)），并系统研究了该模型的估计、推断和检验问题。
  2. 核心工具/方法：最小二乘估计（LS）、新算法（基于排序和分段线性插值）简化阈值边界的计算、非参数后验区间（NPI）构造置信集、得分型检验（score-type test）检验阈值效应存在性。
  3. 主要结论：① 在固定阈值效应和小阈值效应两种框架下，建立了 LS 估计量的渐近理论（包括超一致性和收敛速度）；② 似然比反转法不适用于构造阈值参数的置信集，而非参数后验区间仍然有效；③ 得分型检验比 Wald 型检验计算量更小，且临界值易通过模拟获得。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 模型：

    \[y_t = x_t^\top \theta_1 + x_t^\top \delta \cdot 1(q_t > g(z_t)) + \varepsilon_t\]
    其中 \(\delta\) 是 \(k \times 1\) 向量（允许所有回归系数跳跃），\(g(z_t) = z_t^\top \beta\) 是线性阈值边界。

  • 假设（逐条说明统计含义）：

  • A1（平稳性与矩条件）：\(\{(y_t, x_t, q_t, z_t)\}\) 是平稳遍历的，且存在有限四阶矩。这是标准时间序列假设，保证大数定律和中心极限定理适用。
  • A2（阈值变量的支撑集）：\(q_t\) 的支撑集是紧集，且其分布密度在阈值边界附近有界远离零。这是保证阈值参数可识别的基本条件（如果 \(q_t\) 的密度在阈值处为零，则无法区分阈值两侧）。
  • A3（边界协变量的变异性）：\(z_t\) 的协方差矩阵正定，且 \(z_t\) 与 \(q_t\) 不独立。这保证阈值边界 \(g(z_t)\) 不是常数（否则退化为经典阈值模型）。
  • A4（误差项条件）：\(\varepsilon_t\) 与 \((x_t, q_t, z_t)\) 独立，且 \(E[\varepsilon_t] = 0\)，\(E[\varepsilon_t^2] = \sigma^2\)。这是外生性假设，保证 LS 估计量一致。
  • A5（小阈值效应框架）：\(\delta = \delta_n = c / \sqrt{n}\)，其中 \(c\) 是常数向量。这是 Yu (2012) 的弱识别设定，用于推导小阈值效应下的渐近分布。

相比已有文献的放宽/强化： - 放宽：阈值从常数变为函数 \(g(z_t)\)，这是主要推广。 - 强化：假设 \(g(z_t)\) 为线性形式（参数化），而非完全非参数。这降低了估计难度，但限制了模型灵活性。

主要结果

定理 1（固定阈值效应下 \(\hat{\beta}\) 的渐近分布）： - 陈述：在假设 A1-A4 下，当 \(n \to \infty\) 时，\(n(\hat{\beta} - \beta_0)\) 依分布收敛到一个复合泊松过程的 argmin。 - 直觉：由于阈值边界出现在示性函数内部，LS 估计量 \(\hat{\beta}\) 的超一致性（收敛速度 \(n^{-1}\)）来自“只有接近真实阈值的观测值才影响估计”这一事实。渐近分布由这些“临界观测值”的局部行为决定。 - 必要条件：阈值效应 \(\delta\) 固定且非零；\(q_t\) 的密度在阈值边界附近连续且正。 - 解决的技术难点：需要处理 \(g(z_t)\) 的估计误差与 \(q_t\) 的局部行为之间的交互。作者通过将 \(S_n(\beta)\) 分解为“全局部分”和“局部部分”，并证明全局部分在 \(n^{-1}\) 邻域内可忽略，从而将问题简化为局部过程。

定理 2（小阈值效应下 \(\hat{\beta}\) 的渐近分布）： - 陈述：在假设 A1-A5 下，当 \(n \to \infty\) 时，\(\sqrt{n}(\hat{\beta} - \beta_0)\) 依分布收敛到一个高斯过程。 - 直觉：当阈值效应很弱时，阈值边界不再被“精确”识别，估计量退化为 \(\sqrt{n}\)-一致，渐近分布变为正态（类似标准 M 估计）。 - 必要条件：\(\delta_n = c / \sqrt{n}\)；误差项 \(\varepsilon_t\) 的分布需满足某些正则条件（如对称性）。 - 解决的技术难点：需要将目标函数在 \(\beta_0\) 附近做二阶泰勒展开，但示性函数不可微。作者通过“平滑化”技巧（用光滑函数逼近示性函数）绕过不可微性，再证明逼近误差可忽略。

定理 3（得分型检验的渐近分布）： - 陈述：在 \(H_0: \delta = 0\) 下，得分型检验统计量 \(S_n\) 依分布收敛到 \(\chi^2_k\)（自由度为 \(k\)）。 - 直觉：得分型检验基于“在 \(H_0\) 下，得分函数（score function）的样本均值应接近零”这一事实。由于 \(H_0\) 下阈值边界消失，检验统计量退化为标准 Wald 统计量。 - 必要条件：\(H_0\) 下 \(\beta\) 不可识别（因为无阈值效应时 \(\beta\) 无定义），但作者通过“在 \(H_0\) 下固定 \(\beta\) 为任意值”来绕过识别问题（类似 Davies 1977 的 supremum 检验）。 - 相比 Wald 型检验的优势：Wald 型检验需要估计 \(\beta\) 和 \(\delta\)，而得分型检验只需在 \(H_0\) 下估计 \(\theta_1\)，计算量更小。临界值可通过模拟 \(\chi^2_k\) 分位数获得，无需 bootstrap。

证明路线与技术技巧

整体路线（以定理 1 为例）： 1. 步骤 1：重写目标函数。将残差平方和 \(S_n(\beta)\) 写成：

\[S_n(\beta) = \sum_{t=1}^n (y_t - x_t^\top \hat{\theta}_1(\beta) - x_t^\top \hat{\delta}(\beta) \cdot 1(q_t > z_t^\top \beta))^2\]
其中 \(\hat{\theta}_1(\beta), \hat{\delta}(\beta)\) 是给定 \(\beta\) 下的条件 LS 估计量（可通过 OLS 快速计算）。

  1. 步骤 2：局部化。证明 \(\hat{\beta}\) 落在 \(\beta_0\) 的 \(O_p(n^{-1})\) 邻域内（超一致性）。这通过证明：对于任意 \(\beta\) 满足 \(\|\beta - \beta_0\| > M n^{-1}\)，\(S_n(\beta) - S_n(\beta_0)\) 以概率趋于无穷大。

  2. 步骤 3：局部过程逼近。在 \(n^{-1}\) 邻域内，将 \(S_n(\beta)\) 近似为一个“复合泊松过程”：

    \[S_n(\beta) \approx \sum_{t: q_t \in [z_t^\top \beta_0, z_t^\top \beta]} (x_t^\top \delta_0)^2 + \text{噪声项}\]
    其中求和只包含那些“阈值状态发生变化”的观测值（即 \(q_t\) 落在新旧阈值边界之间的观测值）。

  3. 步骤 4：渐近分布。证明上述局部过程依分布收敛到一个复合泊松过程，其 argmin 的分布即为 \(\hat{\beta}\) 的渐近分布。

关键跳跃点： - 超一致性的证明：需要处理 \(g(z_t)\) 的估计误差与 \(q_t\) 的局部行为之间的交互。作者的关键技巧是：将 \(S_n(\beta)\) 分解为“全局部分”（与 \(\beta\) 无关）和“局部部分”（只依赖于 \(\beta\) 附近的行为），并证明全局部分在 \(n^{-1}\) 邻域内可忽略。 - 局部过程的构造：需要将示性函数 \(1(q_t > z_t^\top \beta)\) 在 \(\beta_0\) 附近做一阶展开，但示性函数不可微。作者通过“排序”技巧：将观测值按 \(q_t - z_t^\top \beta_0\) 排序，然后证明局部过程只依赖于排序后的“临界观测值”。

技术技巧点名： - 排序与分段线性插值：用于简化阈值边界的计算。作者提出：将观测值按 \(q_t\) 排序后，阈值边界 \(g(z_t) = z_t^\top \beta\) 的搜索可转化为分段线性函数的根搜索，从而将计算复杂度从 \(O(n^m)\) 降至 \(O(n \log n)\)。 - 复合泊松过程：用于描述固定阈值效应下 \(\hat{\beta}\) 的渐近分布。这是 Chan (1993) 和 Hansen (2000) 的标准工具，但本文将其推广到阈值边界设定。 - 平滑化技巧：用于处理小阈值效应下示性函数的不可微性。作者用光滑函数（如 logistic 函数）逼近示性函数，再证明逼近误差在 \(n^{-1/2}\) 尺度下可忽略。 - 得分型检验的 Davies 方法：用于处理 \(H_0\) 下 \(\beta\) 不可识别的问题。作者将检验统计量定义为 \(\sup_{\beta} S_n(\beta)\)，并证明其渐近分布为 \(\chi^2_k\)（类似 Davies 1977, 1987）。

真实例子与应用

实证应用 1：劳动经济学——工资与教育回报的阈值效应 - 数据：来自 Current Population Survey (CPS) 的 2010 年数据，包含约 50,000 个观测值。变量：\(y_t\) = 小时工资对数，\(x_t\) = 截距项 + 工作经验 + 工作经验平方，\(q_t\) = 受教育年限，\(z_t\) = 年龄（连续）。 - 方法应用：将阈值边界设为 \(g(z_t) = \beta_0 + \beta_1 \cdot \text{年龄}\)，估计教育回报在受教育年限超过某个年龄依赖的阈值时是否发生跳跃。 - 结果：估计的阈值边界显示，教育回报的阈值随年龄增加而上升（年轻人需要更高的教育水平才能获得回报跳跃）。得分型检验显著（p < 0.01），支持阈值效应的存在。 - 这个例子想说明：阈值边界模型能捕捉到“教育回报的阈值随年龄变化”这一经济现象，而常数阈值模型会遗漏这种异质性。

实证应用 2：劳动经济学——工会溢价与行业特征的阈值效应 - 数据：来自 National Longitudinal Survey of Youth (NLSY) 的 1990-2000 年面板数据。变量：\(y_t\) = 工资对数，\(x_t\) = 截距项 + 工作经验 + 教育，\(q_t\) = 行业集中度（Herfindahl 指数），\(z_t\) = 工会覆盖率（连续）。 - 方法应用：估计工会溢价（union premium）在行业集中度超过某个工会覆盖率依赖的阈值时是否发生跳跃。 - 结果：阈值边界显示，工会溢价的阈值随工会覆盖率增加而下降（高工会覆盖率的行业中，行业集中度的阈值更低）。非参数后验区间显示阈值参数显著。 - 这个例子想说明：阈值边界模型能揭示“工会溢价的结构变化依赖于行业特征”这一机制，为劳动经济学中的“工会-行业集中度交互效应”提供新证据。

本文为纯理论+实证例子：两个实证例子均使用真实数据，且作者提供了详细的估计结果和推断结论。

🔎 结论是否比证明窄

  • 结论 1：作者声称“似然比反转法不适用于构造阈值参数的置信集”。但证明中只考虑了线性阈值边界（\(g(z_t) = z_t^\top \beta\)）和固定阈值效应框架。对于非线性阈值边界（如 \(g(z_t)\) 为非参数函数）或小阈值效应框架，LR 反转法是否失效？作者未讨论。
  • 结论 2：作者声称“非参数后验区间仍然有效”。但证明中只给出了模拟验证，没有严格的渐近理论（如后验区间的覆盖概率是否趋于名义水平）。作者在文中承认：“The theoretical justification of the nonparametric posterior interval is beyond the scope of this paper.” 因此，这一结论是经验性的，而非严格证明。
  • 结论 3：作者声称“得分型检验比 Wald 型检验计算量更小”。但比较中只考虑了单次检验的计算时间。对于多重检验（如对多个 \(\beta\) 值进行检验），得分型检验需要计算 \(\sup_{\beta} S_n(\beta)\)，其计算量可能随 \(m\) 增长而爆炸。作者未讨论这一情况。

四、开放问题

  1. 非线性阈值边界的估计与推断：本文假设 \(g(z_t) = z_t^\top \beta\) 为线性形式。当 \(g(z_t)\) 为完全非参数函数（如用核方法或级数逼近估计）时，估计量的渐近性质如何？LR 反转法是否仍然失效？（扎根于：本文假设 A3 要求 \(g(z_t)\) 为线性，且作者在结论中明确说“LR 反转法不适用于阈值边界设定”，但未讨论非线性情形。）

  2. 高维阈值边界：当边界协变量维数 \(m\) 随样本量增长（如 \(m > n\)）时，如何选择 \(z_t\) 中的变量？是否可以用 Lasso 或 SCAD 进行变量选择？阈值参数的渐近分布是否会因变量选择而改变？（扎根于：本文假设 \(m\) 固定且小于 \(n\)，且作者在 future work 中提及“高维阈值回归是一个开放问题”。）

  3. 小阈值效应下的非参数后验区间：本文的非参数后验区间只在固定阈值效应下通过模拟验证。在小阈值效应框架下（\(\delta_n \to 0\)），后验区间的覆盖概率是否仍然趋于名义水平？是否需要调整？（扎根于：本文定理 2 给出了小阈值效应下 \(\hat{\beta}\) 的渐近分布，但未讨论后验区间的性质。）

  4. 阈值边界与因果推断的交叉：阈值边界模型可视为断点回归设计（RDD）中“非恒定断点”的特例。如何将本文的估计和推断方法应用于 RDD 中的处理效应估计？是否可以用本文的得分型检验来检验 RDD 中“断点是否随协变量变化”？（扎根于：本文未引用 RDD 文献，但两个实证例子均涉及劳动经济学中的结构变化，与 RDD 有潜在联系。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论