地理断点回归设计的贝叶斯非参数方法：学区是否影响纽约市房价？
应用统计
2018-07-13 v1
摘要
大多数关于断点回归设计（RDD）的研究集中于单变量情形，即仅当单元的“驱动”变量位于阈值一侧时才接受处理。地理断点回归设计（GeoRDD）将 RDD 推广到具有空间驱动变量的多变量设定。我们提出了一个分析 GeoRDD 的框架，并使用高斯过程回归实现该框架。这给出了边界上每一点处处理效应的贝叶斯后验分布。我们处理了在具有潜在复杂拓扑的边界上定义函数型估计量时的细微问题，特别是在定义和估计局部平均处理效应（LATE）的因果估计量时。LATE 的贝叶斯估计也可用作具有良好频率主义性质的假设检验中的检验统计量，我们通过模拟和安慰剂检验验证了这一点。我们使用纽约市房产销售数据集展示了我们的方法，以评估两个学区边界处房价是否存在不连续性。我们发现两学区边界两侧价格存在统计显著差异（=0.002），并估计在更受欢迎一侧的房产平均价格高出 20%。
引用
@article{arxiv.1807.04516,
title = {A Bayesian Nonparametric Approach to Geographic Regression Discontinuity Designs: Do School Districts Affect NYC House Prices?},
author = {Maxime Rischard and Zach Branson and Luke Miratrix and Luke Bornn},
journal= {arXiv preprint arXiv:1807.04516},
year = {2018}
}
备注
40 pages, 12 figures