Testing for the appropriate level of clustering in linear regression models
线性回归模型中适当聚类层级的检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用回归中的聚类层级检验，未明确涉及面板结构、因果识别或其他所列专门方向，因此暂不归类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
线性回归模型中适当聚类层级的检验
- 研究问题
- 当同一数据存在多种可能的聚类方式时，如何检验无聚类或较细聚类是否足够，并据此选择回归推断的聚类层级？
- 方法与思路
- 作者针对单个系数和多个系数分别提出检验，提供渐近与野生自助法实现，并通过序贯检验比较较细和较粗聚类。
- 材料陈述的贡献
- 摘要称，自助法检验在模拟中具有良好的原假设表现和检验力，并以一个实证例子展示聚类层级选择对推断的作用。
- 阅读关注点
- 应核对粗细聚类的嵌套要求、渐近序列及簇数量条件，并检查序贯选择后的推断是否计入层级选择带来的不确定性。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明检验成立的具体条件及模拟设置。
原文摘要
The overwhelming majority of empirical research that uses cluster-robust inference assumes that the clustering structure is known, even though there are often several possible ways in which a dataset could be clustered. We propose two tests for the correct level of clustering in regression models. One test focuses on inference about a single coefficient, and the other on inference about two or more coefficients. We provide both asymptotic and wild bootstrap implementations. The proposed tests work for a null hypothesis of either no clustering or ``fine'' clustering against alternatives of ``coarser'' clustering. We also propose a sequential testing procedure to determine the appropriate level of clustering. Simulations suggest that the bootstrap tests perform very well under the null hypothesis and can have excellent power. An empirical example suggests that using the tests leads to sensible inferences.