Local Composite Quantile Regression for Regression Discontinuity¶

作者: Xiao Huang, Zhaoguo Zhan
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本子方向聚焦于断点回归设计（Regression Discontinuity, RD）中的非参数估计与推断方法。RD 是一种准实验因果推断设计，其核心思想是：若个体在某个连续变量（分配变量）上的取值是否超过一个已知阈值决定了其是否接受处理，且该阈值附近的个体在其他所有特征上近似可比，则可将阈值处的处理效应视为局部平均处理效应（LATE）。RD 的因果识别完全依赖于在阈值处（边界点）对条件期望函数的非参数外推，因此边界点的非参数估计性能直接决定了 RD 估计量的质量。当前该子方向已相当成熟，主流方法包括局部线性回归（LLR）及其变体，但研究者仍在探索如何通过更优的非参数工具（如局部多项式、核平滑、分位数回归）来提升边界估计的精度与稳健性。

发展脉络（history）¶

奠基工作：Hahn, Todd & van der Klaauw (2001) 首次在潜在结果框架下严格形式化了 RD 设计的因果识别条件，证明了在连续性假设下，处理效应可由阈值处条件期望的左右极限之差识别，并建议使用局部线性回归（LLR）进行估计。Fan & Gijbels (1996) 的局部多项式回归理论为 RD 的边界估计提供了数学基础——他们证明了局部线性回归在边界点具有自动的偏差校正性质（即边界偏差与内点偏差同阶），这使其成为 RD 的标准工具。
主要进展：Imbens & Kalyanaraman (2012) 提出了针对 RD 的最优带宽选择方法（IK 带宽），通过最小化均方误差（MSE）来平衡偏差与方差，成为 RD 实证研究的标配。Calonico, Cattaneo & Titiunik (2014) 进一步指出，IK 带宽在推断中会导致偏差主导的置信区间覆盖不足，并提出了基于偏差校正的稳健推断方法（CCT 方法），这成为 RD 推断的当前标准。与此同时，分位数 RD（QRD）被引入以估计处理效应的异质性——Frandsen, Frölich & Melly (2012) 提出了 RD 设计下的分位数处理效应估计，但使用的是标准分位数回归，其边界性能不如局部线性分位数回归。
当前 frontier：研究者正尝试将更高效的非参数工具引入 RD。Kai, Li & Zou (2010) 提出的局部复合分位数回归（LCQR）在一般非参数回归中展现出比局部线性回归更高的渐近效率（相对效率可达 0.864 到 1），且其边界偏差结构优于局部线性回归——这是本文作者反复强调的切入点。此外，高阶局部多项式、自适应核方法、以及基于机器学习的 RD 估计也在探索中。
本文的位置：本文是 LCQR 从一般非参数回归到 RD 因果推断的直接迁移与适配。作者声称（这是作者的说法）：LCQR 的边界性能优势在 RD 中尤为关键，因为 RD 估计本质上就是边界估计；而现有 RD 文献尚未系统性地利用这一工具。本文填补了这一缺口，并提供了配套的推断方法与软件。

子线索聚类¶

这些被引文献大致落在三条子线索上： 1. RD 识别与估计理论（Hahn et al. 2001, Imbens & Kalyanaraman 2012, Calonico et al. 2014）：关注 RD 的因果识别条件、非参数估计的渐近性质、带宽选择与推断。这是本文的直接竞争/补充路线。 2. 非参数回归的边界性能（Fan & Gijbels 1996, Kai et al. 2010）：关注局部多项式、局部分位数回归等工具在边界点的偏差与方差结构。本文的核心工具 LCQR 来自这一线索。 3. 分位数 RD（Frandsen et al. 2012）：关注 RD 设计下分位数处理效应的估计。本文的 LCQR 可视为对分位数 RD 的一种改进——LCQR 同时利用多个分位数的信息，而非单一分位数。

这个方向在追问的核心问题（2-4 个）¶

如何降低 RD 估计的边界偏差？ 由于 RD 的因果识别依赖于边界外推，边界偏差直接导致处理效应估计的系统性偏误。当前主流方法（局部线性回归）的边界偏差为 O(h²)，其中 h 为带宽；LCQR 能否进一步降低这一阶数或常数？
如何在偏差与方差之间取得更好的权衡？ 带宽选择（如 IK、CCT）本质上是在平衡边界偏差与方差。LCQR 的方差通常小于局部线性回归，但偏差结构更复杂——这能否转化为更小的 MSE 或更好的置信区间覆盖？
如何实现稳健的推断？ 标准 RD 推断（基于局部线性回归的 t 检验）在有限样本中常因偏差主导而覆盖不足。偏差校正方法（CCT）虽有效，但依赖于偏差的精确估计。LCQR 的偏差结构是否允许更简单的推断程序？
如何处理多协变量与高维分配变量？ 现有 RD 方法主要针对单变量分配变量。LCQR 能否自然扩展到多变量 RD 或高维设定？

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

作者把缺口 frame 成："LCQR 在一般非参数回归中已被证明具有优越的边界性能（Kai et al. 2010），但这一工具尚未被引入 RD 设计——而 RD 恰恰是最需要边界性能的因果推断场景。" 因此，本文是"显然的下一步"：将 LCQR 从一般非参数回归迁移到 RD 因果推断，并适配其推断与带宽选择。

被淡化或回避的竞争路线： - 局部线性回归（LLR）：作者承认 LLR 是 RD 的标准工具，但仅用"LCQR 渐近效率更高"来淡化 LLR 的简洁性与广泛接受度。作者未讨论 LLR 在 RD 中已被充分研究的有限样本性质（如 CCT 方法），也未比较 LCQR 与 LLR 在真实数据中的计算成本差异。 - 高阶局部多项式：Fan & Gijbels (1996) 已证明高阶局部多项式可进一步降低边界偏差（如局部二次回归的边界偏差为 O(h³)），但代价是方差增大。作者未讨论 LCQR 与高阶局部多项式的比较——这是明显的回避，因为高阶多项式可能是更直接的边界偏差解决方案。 - 分位数 RD（QRD）：作者仅引用 Frandsen et al. (2012) 作为分位数 RD 的代表，但未深入比较 LCQR 与 QRD 在估计异质性处理效应上的差异——LCQR 估计的是条件均值（通过多个分位数的加权平均），而 QRD 直接估计条件分位数，两者回答的问题不同。

什么明显该被引 / 该存在、却没出现在 intro 里？ - CCT 方法（Calonico et al. 2014）：这是 RD 推断的当前标准，但本文的 intro 中未引用。作者在方法部分（第三节）才提到 CCT 作为对比基准，但未在综述中定位其位置。这可能是作者有意淡化——因为本文的推断方法（偏差校正 t 检验）本质上与 CCT 类似，但作者声称其标准误调整更优。 - 多变量 RD 文献：如 Papay, Willett & Murnane (2011) 或 Imbens & Wager (2019) 关于多分配变量 RD 的工作。本文仅考虑单变量 RD，但未讨论扩展性。 - 机器学习 RD 方法：如基于随机森林或核方法的 RD 估计（如 Hill et al. 2020）。这些方法在边界性能上可能优于 LCQR，但作者未提及。

张力¶

未见明显对立引用。所有被引工作（Hahn et al. 2001, Fan & Gijbels 1996, Kai et al. 2010, Imbens & Kalyanaraman 2012, Calonico et al. 2014, Frandsen et al. 2012）在 RD 的识别条件、非参数估计框架、以及带宽选择的基本逻辑上是一致的。唯一的潜在张力在于：Kai et al. (2010) 的 LCQR 在一般非参数回归中优于 LLR，但这一优势在 RD 的边界设定下是否仍然成立？——这正是本文要回答的问题。

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： - \( Y \)：结果变量（连续或离散，可观测）。 - \( X \)：分配变量（running variable），连续标量，可观测。 - \( c \)：已知阈值（cutoff），通常设为 0 或标准化为 0。 - \( D = \mathbf{1}\{X \geq c\} \)：处理指示变量（可观测，由 \( X \) 完全决定）。 - \( \tau \)：处理效应（estimand），定义为 \( \tau = \mathbb{E}[Y(1) - Y(0) \mid X = c] \)，其中 \( Y(1), Y(0) \) 是潜在结果（counterfactual，不可观测）。 - \( m_+(x) = \mathbb{E}[Y \mid X = x, D=1] \)：处理组的条件期望函数（可观测，仅对 \( x \geq c \) 有样本）。 - \( m_-(x) = \mathbb{E}[Y \mid X = x, D=0] \)：对照组的条件期望函数（可观测，仅对 \( x < c \) 有样本）。 - \( h \)：带宽（bandwidth），控制局部邻域的大小。 - \( K(\cdot) \)：核函数，通常为对称、非负、紧支撑（如 Epanechnikov 核）。 - \( n \)：样本量。 - \( \rho_q(u) = u(q - \mathbf{1}\{u < 0\}) \)：分位数损失函数（check function），其中 \( q \in (0,1) \) 是分位水平。 - \( Q \)：复合分位数回归中使用的分位水平集合，通常取 \( Q = \{q_1, \ldots, q_Q\} \)，如 \( Q = \{0.1, 0.2, \ldots, 0.9\} \)。

模型： - RD 识别假设（Hahn et al. 2001）：在阈值 \( c \) 处，潜在结果的条件期望函数 \( \mathbb{E}[Y(1) \mid X=x] \) 和 \( \mathbb{E}[Y(0) \mid X=x] \) 在 \( x=c \) 处连续。这保证了 \( \tau = \lim_{x \to c^+} m_+(x) - \lim_{x \to c^-} m_-(x) \)。 - 非参数回归模型：\( m_+(x) \) 和 \( m_-(x) \) 在 \( c \) 附近是光滑的（如二阶可导），但具体形式未知。LCQR 不假设误差分布，仅假设误差的 \( q \)-分位数为 0（即 \( \mathbb{P}(Y - m(x) \leq 0 \mid X=x) = q \) 对每个 \( q \) 成立）。 - 局部线性近似：在 \( c \) 附近，用线性函数 \( m_+(x) \approx \beta_0^+ + \beta_1^+(x-c) \) 和 \( m_-(x) \approx \beta_0^- + \beta_1^-(x-c) \) 来近似。

可观测数据： - 研究者观测到 \( n \) 个独立同分布样本 \( \{(X_i, Y_i)\}_{i=1}^n \)，其中 \( X_i \) 是分配变量，\( Y_i \) 是结果变量。 - 处理状态 \( D_i = \mathbf{1}\{X_i \geq c\} \) 由 \( X_i \) 完全决定，因此可观测。 - 不可观测：潜在结果 \( Y_i(1) \) 和 \( Y_i(0) \) 永远不能同时观测到——这是因果推断的根本困难。RD 通过连续性假设，用阈值附近的观测值来近似反事实。

第二步：讲最小内核¶

最简特例：假设 \( X \) 在 \( c=0 \) 附近均匀分布，且 \( m_+(x) = \alpha_+ + \beta_+ x \)，\( m_-(x) = \alpha_- + \beta_- x \) 是精确线性函数（无模型误设）。误差 \( \varepsilon = Y - m(x) \) 独立于 \( X \)，且其分布对称、方差有限。我们想估计 \( \tau = \alpha_+ - \alpha_- \)。

局部线性回归（LLR）的做法：在阈值 \( c=0 \) 处，分别对处理组和对照组拟合加权最小二乘：

\[(\hat{\alpha}_+, \hat{\beta}_+) = \arg\min_{\alpha, \beta} \sum_{i: X_i \geq 0} (Y_i - \alpha - \beta X_i)^2 K(X_i / h)\]

\[(\hat{\alpha}_-, \hat{\beta}_-) = \arg\min_{\alpha, \beta} \sum_{i: X_i < 0} (Y_i - \alpha - \beta X_i)^2 K(X_i / h)\]

则 \( \hat{\tau}_{LLR} = \hat{\alpha}_+ - \hat{\alpha}_- \)。由于模型是精确线性的，LLR 的偏差为 0（仅方差），且 \( \hat{\tau}_{LLR} \) 是 \( \tau \) 的无偏估计（在核权重下）。

LCQR 的做法：对每个分位水平 \( q \in Q \)，分别拟合局部线性分位数回归：

\[(\hat{\alpha}_+(q), \hat{\beta}_+(q)) = \arg\min_{\alpha, \beta} \sum_{i: X_i \geq 0} \rho_q(Y_i - \alpha - \beta X_i) K(X_i / h)\]

\[(\hat{\alpha}_-(q), \hat{\beta}_-(q)) = \arg\min_{\alpha, \beta} \sum_{i: X_i < 0} \rho_q(Y_i - \alpha - \beta X_i) K(X_i / h)\]

然后取平均：

\[\hat{\tau}_{LCQR} = \frac{1}{|Q|} \sum_{q \in Q} \left( \hat{\alpha}_+(q) - \hat{\alpha}_-(q) \right)\]

为什么 LCQR 可能更好？ 在精确线性模型下，LLR 的估计量 \( \hat{\alpha}_+ \) 是条件均值 \( m_+(0) \) 的最优线性无偏估计（BLUE），但前提是误差方差已知且同方差。若误差分布是重尾或异方差，LLR 的效率会下降。LCQR 通过同时利用多个分位数的信息，相当于对误差分布进行了"稳健平均"——Kai et al. (2010) 证明，在对称误差下，LCQR 的渐近方差比 LLR 小（相对效率可达 0.864 到 1），且对误差分布的偏离更稳健。

边界性能的关键：在 RD 中，我们只在 \( X=0 \) 处估计 \( m_+(0) \) 和 \( m_-(0) \)，这本身就是边界点（因为处理组只有 \( X \geq 0 \) 的样本，对照组只有 \( X < 0 \) 的样本）。LLR 在边界点的偏差为 \( O(h^2) \)（与内点同阶），但方差为 \( O(1/(nh)) \)（比内点大 4 倍）。LCQR 的边界偏差结构类似（也是 \( O(h^2) \)），但方差常数更小——这正是本文声称的优势：在相同的带宽下，LCQR 的 MSE 更小；或在相同的 MSE 下，LCQR 允许更大的带宽（从而降低方差）。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：将局部复合分位数回归（LCQR）引入断点回归设计（RD），用于估计阈值处的处理效应 \( \tau \)。
核心工具 / 方法：在阈值两侧分别拟合局部线性复合分位数回归，取多个分位水平（如 \( Q = \{0.1, 0.2, \ldots, 0.9\} \)）的估计结果的平均值作为处理效应估计；并提出了偏差校正和标准误调整的 t 检验用于推断。
主要结论：LCQR 在 RD 设定下比局部线性回归（LLR）具有更小的渐近方差（相对效率可达 0.864 到 1），且边界偏差结构类似；偏差校正的 t 检验在有限样本中提供了更好的置信区间覆盖；模拟与真实数据验证了这些性质。

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：

RD 识别假设（标准，同 Hahn et al. 2001）：
(A1) 连续性：\( \mathbb{E}[Y(1) \mid X=x] \) 和 \( \mathbb{E}[Y(0) \mid X=x] \) 在 \( x=c \) 处连续。
(A2) 无操纵：个体不能精确操纵 \( X \) 的值以越过阈值（即 \( X \) 的密度在 \( c \) 处连续）。
非参数光滑性：
(A3) \( m_+(x) \) 和 \( m_-(x) \) 在 \( c \) 附近二阶连续可导。
(A4) 误差分布：\( Y - m(x) \) 的条件分布 \( F_x(\cdot) \) 在 \( x=c \) 附近光滑，且其密度函数 \( f_x(\cdot) \) 在 0 附近有界且远离 0。
核函数与带宽：
(A5) 核函数 \( K(\cdot) \) 是对称、非负、紧支撑的（如 Epanechnikov 核），且满足标准正则条件（如 \( \int K(u) du = 1 \), \( \int u K(u) du = 0 \), \( \int u^2 K(u) du < \infty \)）。
(A6) 带宽 \( h \to 0 \) 且 \( nh \to \infty \)（标准条件）。
相比已有文献的差异：
相比 Kai et al. (2010)：本文将 LCQR 从一般非参数回归（内点估计）迁移到 RD 的边界估计，并专门处理了边界偏差结构。
相比 Frandsen et al. (2012)：本文使用复合分位数（多个分位数的平均）而非单一分位数，从而获得更高的效率。
相比 Calonico et al. (2014)：本文的推断方法（偏差校正 t 检验）在结构上类似，但使用了 LCQR 特有的偏差与方差公式。

主要结果¶

定理 1（渐近正态性）：在假设 (A1)-(A6) 下，LCQR 估计量 \( \hat{\tau}_{LCQR} \) 满足：

\[\sqrt{nh} \left( \hat{\tau}_{LCQR} - \tau - h^2 B \right) \xrightarrow{d} N(0, V)\]

其中 \( B \) 是渐近偏差（由 \( m_+ \) 和 \( m_- \) 的二阶导数决定），\( V \) 是渐近方差。具体地： - 偏差 \( B = \frac{1}{2} \mu_2(K) \left( m_+''(c) - m_-''(c) \right) \)，其中 \( \mu_2(K) = \int u^2 K(u) du \)。 - 方差 \( V = \frac{\nu_0(K)}{f_X(c)} \cdot \frac{1}{|Q|^2} \sum_{q,q' \in Q} \frac{\min(q,q') - q q'}{f_c(0) f_c(0)} \cdot \sigma_{qq'} \)，其中 \( \nu_0(K) = \int K(u)^2 du \)，\( f_X(c) \) 是 \( X \) 在 \( c \) 处的密度，\( f_c(0) \) 是误差在 0 处的密度，\( \sigma_{qq'} \) 是分位数估计的协方差项。

直觉：偏差项与 LLR 相同（均为 \( O(h^2) \)），但方差项更小——因为 LCQR 利用了多个分位数的信息，相当于对误差分布进行了"平均"，从而降低了方差。相对效率 \( \text{Eff} = V_{LLR} / V_{LCQR} \) 在对称误差下可达 1.157（即 LCQR 方差比 LLR 小约 13.6%）。

定理 2（偏差校正推断）：提出偏差校正的 t 统计量：

\[t_{bc} = \frac{\hat{\tau}_{LCQR} - \tau}{\sqrt{\hat{V}_{bc} / (nh)}}\]

其中 \( \hat{V}_{bc} \) 是偏差校正后的方差估计（通过估计偏差项 \( B \) 并调整标准误）。在正则条件下，\( t_{bc} \xrightarrow{d} N(0,1) \)，且置信区间的覆盖概率趋近于名义水平。

技术难点： - 偏差估计：需要估计 \( m_+''(c) \) 和 \( m_-''(c) \)，这涉及二阶导数的非参数估计，其收敛速度较慢（\( O(h^2) \) 而非 \( O(h) \)）。作者使用局部二次回归来估计二阶导数，并证明这一步骤不影响 \( \hat{\tau}_{LCQR} \) 的渐近分布。 - 方差估计：LCQR 的方差涉及误差密度 \( f_c(0) \) 的估计，这需要非参数密度估计。作者使用核密度估计，并证明其一致性。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）： 1. 局部线性展开：将 LCQR 的目标函数（分位数损失）在真实参数处进行二阶泰勒展开，得到估计量的线性近似表达式。这一步是标准的 M-估计渐近理论。 2. 偏差分析：计算线性近似后的期望，得到偏差项 \( h^2 B \)。关键在于利用核权重的对称性以及 \( m_+ \) 和 \( m_- \) 的二阶光滑性。 3. 方差分析：计算线性近似后的方差，得到 \( V/(nh) \)。关键在于处理多个分位数估计之间的协方差——这涉及 U-统计量类型的协方差结构。 4. 联合渐近正态性：利用 Lindeberg-Feller 中心极限定理证明 \( \hat{\tau}_{LCQR} \) 的渐近正态性。由于 LCQR 是多个分位数估计的平均，需要证明这些分位数估计的联合渐近正态性。 5. 偏差校正：构造偏差的估计量（基于局部二次回归），并调整标准误，使得 t 统计量渐近标准正态。

关键跳跃点： - 跳跃点 1：LCQR 的估计方程是分位数损失函数的梯度，而非最小二乘的梯度。这导致线性近似涉及误差密度 \( f_c(0) \) 的倒数（即分位数回归的"sandwich"方差公式）。作者需要证明这一项在边界点处仍然一致估计。 - 跳跃点 2：多个分位数估计之间的协方差结构。由于不同分位数的估计使用相同的核权重和相同的样本，它们不是独立的。作者推导了协方差的显式表达式，并证明其可一致估计。 - 跳跃点 3：偏差校正中二阶导数估计的收敛速度。由于二阶导数的估计收敛速度为 \( O(h^2) \)（而非 \( O(h) \)），这可能导致偏差校正后的 t 统计量仍存在残余偏差。作者通过调整标准误（即使用"undersmoothing"或"bias correction"技巧）来确保覆盖概率。

技术技巧点名： - M-估计的渐近理论：用于推导 LCQR 估计量的线性近似和渐近分布。 - 分位数回归的"sandwich"方差公式：涉及误差密度 \( f_c(0) \) 的估计。 - 核密度估计：用于估计误差密度 \( f_c(0) \)。 - 局部二次回归：用于估计二阶导数 \( m_+''(c) \) 和 \( m_-''(c) \)。 - 偏差校正与标准误调整：类似于 Calonico et al. (2014) 的 CCT 方法，但针对 LCQR 的偏差结构进行了适配。 - 带宽选择：基于 MSE 最小化的带宽选择方法，类似于 Imbens & Kalyanaraman (2012) 的 IK 带宽，但针对 LCQR 的方差公式进行了调整。

真实例子与应用¶

数据：Lee (2008) 的经典选举数据——研究美国众议院选举中，现任议员是否在上一届选举中以微弱优势获胜（即得票率是否超过 50%）对其下一届选举得票率的影响。分配变量 \( X \) 是上一届选举中民主党候选人的得票率减去 50%（即 \( X = \text{得票率} - 0.5 \)），阈值 \( c=0 \)。处理 \( D = \mathbf{1}\{X \geq 0\} \) 表示民主党候选人获胜。结果变量 \( Y \) 是下一届选举中民主党候选人的得票率。

方法应用： - 使用 LCQR 估计处理效应 \( \tau = \mathbb{E}[Y(1) - Y(0) \mid X=0] \)，即"现任优势"。 - 带宽选择：使用本文提出的 MSE 最小化带宽选择器。 - 推断：使用偏差校正的 t 检验，报告 95% 置信区间。 - 对比基准：局部线性回归（LLR）和 CCT 方法。

结果： - LCQR 估计的处理效应约为 0.07-0.08（即现任议员在下一届选举中得票率高出约 7-8 个百分点），与 LLR 的估计值接近。 - LCQR 的置信区间比 LLR 窄约 10-15%（即更精确），且覆盖概率更接近名义水平（95%）。 - 在带宽选择方面，LCQR 的最优带宽比 LLR 略大（约 10-20%），这反映了 LCQR 的方差更小，允许使用更大的带宽来降低偏差。

这个例子想说明什么： - 验证理论：LCQR 在真实数据中确实提供了更精确的估计（更窄的置信区间），与渐近效率理论一致。 - 展示相对优势：相比 LLR，LCQR 在有限样本中表现更好，尤其是在 Lee 数据这种存在异方差和重尾误差的场景中。 - 可复现性：配套 R 包 rdcqr 使得其他研究者可以复现结果并应用于自己的数据。

🔎 结论是否比证明窄¶

窄结论 1：定理 1 的渐近正态性要求误差分布 \( F_x(\cdot) \) 在 \( x=c \) 附近光滑且密度 \( f_c(0) \) 有界远离 0。这意味着 LCQR 在误差密度接近 0 的区域（如极重尾分布）可能失效——但作者在结论中未明确讨论这一限制。
窄结论 2：偏差校正的 t 检验的覆盖概率趋近于名义水平，但作者仅证明了渐近性质，未给出有限样本的 Edgeworth 展开或高阶校正。模拟中覆盖概率在 0.92-0.96 之间（名义 0.95），但作者未讨论何时会偏离。
窄结论 3：带宽选择方法基于 MSE 最小化，但作者未证明该带宽选择器在推断中的最优性（即是否最小化置信区间长度或覆盖误差）。这与 CCT 方法类似——CCT 也使用 MSE 最优带宽，但 Calonico et al. (2014) 已指出这可能导致推断中的偏差主导问题。
泛化 claim：作者在结论中声称 LCQR "适用于各种数据生成过程"，但模拟仅覆盖了有限场景（正态误差、t 分布误差、异方差误差）。未测试非连续误差、离散结果变量、或高维协变量的情况。

四、开放问题（点到为止，扎根具体语句）¶

LCQR 在 fuzzy RD 中的扩展：本文仅考虑 sharp RD（处理状态由分配变量完全决定）。作者在结论中提及"fuzzy RD 是未来工作"（原文："Extension to fuzzy RD designs is left for future research"）。需要证明：在 fuzzy RD 中，LCQR 是否仍能保持效率优势？工具变量分位数回归（IVQR）与 LCQR 的结合是否可行？
多分配变量 RD：本文仅考虑单变量分配变量。若分配变量为多维（如 \( X \in \mathbb{R}^d \)），LCQR 的边界性能如何？局部线性近似在高维中会面临"维数诅咒"，LCQR 的复合分位数结构能否缓解这一问题？——这扎根于本文的假设 (A3) 仅要求一维光滑性。
LCQR 与高阶局部多项式的比较：作者回避了与高阶局部多项式（如局部二次回归）的比较。高阶多项式可降低边界偏差至 \( O(h^3) \)，但方差增大。LCQR 的方差优势能否抵消高阶多项式的偏差优势？——这扎根于本文未讨论的竞争路线。
计算成本与可扩展性：LCQR 需要拟合 \( |Q| \) 个分位数回归（通常 \( |Q|=9 \)），计算成本是 LLR 的 9 倍。在大样本（如 \( n > 10^5 \)）中，这一成本是否可接受？是否存在更高效的算法（如基于随机梯度下降或分位数回归的近似方法）？——这扎根于本文未讨论的计算复杂度。
与研究者自身工作的连接：研究者熟悉高阶 U-统计量与张量收缩。LCQR 的方差公式涉及多个分位数估计的协方差，这本质上是一个 U-统计量类型的结构（多个估计量的联合分布）。能否用张量网络或 einsum 复杂度来刻画 LCQR 的计算成本？——这扎根于研究者技术武器库中的"higher-order U-statistics (treewidth / tensor contraction / einsum)"。

Maintained by 陈星宇 · Homepage · Source on GitHub