Wild Bootstrap Inference for Wildly Different Cluster Sizes
聚类规模悬殊时的野生自助法推断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：摘要重点是聚类稳健检验和自助法的通用性质，未明确特定识别设计或面板结构，现有证据不足以指定所列细分。
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
聚类规模悬殊时的野生自助法推断
- 研究问题
- 当聚类规模悬殊或接受处理的聚类很少时，聚类稳健方差估计及野生聚类自助法为何失效，聚类总数是否足以判断可靠性？
- 方法与思路
- 作者用模拟比较平衡与按美国州人口比例构造的聚类，解释稳健t统计量及自助法的失效，并研究有效聚类数与安慰剂法律。
- 材料陈述的贡献
- 摘要称相同聚类数量下，不平衡聚类的拒绝率更高，野生聚类自助法临界值明显改善检验，但在处理聚类很少时也会失败。
- 阅读关注点
- 应核对聚类规模分布与处理配置、自助法的具体实施方式、有效聚类数的定义，以及拒绝频率比较对应的原假设和模拟设计。
- 阅读边界
- 摘要未提供误差分布、处理分配和失效阈值等条件；不能据此认定某个固定聚类数足够，也不能认为自助法对少量处理聚类普遍有效。
原文摘要
Summary The cluster robust variance estimator (CRVE) relies on the number of clusters being sufficiently large. Monte Carlo evidence suggests that the ‘rule of 42’ is not true for unbalanced clusters. Rejection frequencies are higher for datasets with 50 clusters proportional to US state populations than with 50 balanced clusters. Using critical values based on the wild cluster bootstrap performs much better. However, this procedure fails when a small number of clusters is treated. We explain why CRVE t statistics and the wild bootstrap fail in this case, study the ‘effective number’ of clusters and simulate placebo laws with dummy variable regressors. Copyright © 2016 John Wiley & Sons, Ltd.