Inference with dependent data using cluster covariance estimators
使用聚类协方差估计量对依赖数据进行推断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。
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：摘要明确将依赖数据推断方法用于时间序列和面板数据，另包含目录未列出的空间应用。
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…
使用聚类协方差估计量对依赖数据进行推断
- 研究问题
- 在时间序列、空间及面板依赖数据中，若聚类数量保持固定而每组观测增多，应如何构造和校准 t 与 Wald 检验？
- 方法与思路
- 作者使用聚类协方差估计量构造统计量，采用固定组数、组内大样本近似，推导以组数为基础的 t 和 F 极限分布。
- 材料陈述的贡献
- 摘要称该方法与少数组下的 fixed-b 思路相似，并报告模拟中相较常规推断程序有明显改善的证据。
- 阅读关注点
- 应核对分组方式、组内与组间依赖条件、t 和 F 分布的自由度，以及少数组下协方差估计和检验的构造。
- 阅读边界
- 仅依据所给出版社摘要；允许的依赖结构、分组要求和模拟数值未说明，不能认为标准 t 与 F 校准适用于任意聚类。
原文摘要
This paper presents an inference approach for dependent data in time series, spatial, and panel data applications. The method involves constructing t and Wald statistics using a cluster covariance matrix estimator (CCE). We use an approximation that takes the number of clusters/groups as fixed and the number of observations per group to be large. The resulting limiting distributions of the t and Wald statistics are standard t and F distributions where the number of groups plays the role of sample size. Using a small number of groups is analogous to ‘fixed-b’ asymptotics of Kiefer and Vogelsang (2002, 2005) (KV) for heteroskedasticity and autocorrelation consistent inference. We provide simulation evidence that demonstrates that the procedure substantially outperforms conventional inference procedures.