Clustering with Potential Multidimensionality: Inference and Practice
可能存在多维聚类时的推断与实践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 M 估计中的多维聚类和设计型方差推断，未明确面板、因果效应或其他所列细分场景。
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…
关注这篇论文的作者
可能存在多维聚类时的推断与实践
- 研究问题
- 在抽样或分配存在不确定性时，如何为一个或多个维度的聚类标准误提供依据，并构造有效且较少保守的方差估计？
- 方法与思路
- 作者在 M 估计框架中从设计角度分析聚类的合理性，提出改进保守程序的方差估计，并解释经验研究中的聚类环境。
- 材料陈述的贡献
- 摘要称，新方差估计在改进既有保守程序的同时保持有效性，并为常见聚类场景的估计目标和推断程序提供解释。
- 阅读关注点
- 应核对抽样与分配不确定性的来源、多维聚类结构、有效性条件，以及改进保守方差所需的信息和操作步骤。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出方差公式、渐近条件或具体聚类场景，适用范围需查全文。
原文摘要
We show how clustering standard errors in one or more dimensions can be justified in M-estimation when there is sampling or assignment uncertainty. Since existing procedures for variance estimation are either conservative or invalid, we propose a variance estimator that refines a conservative procedure and remains valid. We then interpret environments where clustering is frequently employed in empirical work from our design-based perspective and provide insights on their estimands and inference procedures.