Jackknife inference with two-way clustering
双向聚类下的刀切法推断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。
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：摘要明确涉及面板线性回归、双向固定效应和双向聚类推断。
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…
双向聚类下的刀切法推断
- 研究问题
- 线性回归中的误差沿两个维度聚类时，如何改善检验与置信区间的有限样本表现，并避免方差矩阵非正定的问题？
- 方法与思路
- 作者比较处理非正定聚类方差矩阵的方法，提出始终避免标准误未定义的新方法，以及基于聚类刀切法的一族方差估计量。
- 材料陈述的贡献
- 摘要称新方差估计量具有渐近有效性，部分双向固定效应模拟中推断较准确，并提供实现推荐方法的Stata软件包。
- 阅读关注点
- 应核对双向聚类结构与渐近条件、非正定问题的处理方式，以及聚类数不平衡、杠杆值和固定效应对表现的影响。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未给出模拟设定与具体误差率，不能认为推荐方法在所有聚类结构下占优。
原文摘要
For linear regression models with cross-section or panel data, it is natural to assume that the disturbances are clustered in two dimensions. However, the finite-sample properties of two-way cluster-robust tests and confidence intervals are often poor. We discuss several ways to improve inference with two-way clustering. Two of these are existing methods for avoiding, or at least ameliorating, the problem of undefined standard errors when a cluster-robust variance matrix estimator (CRVE) is not positive definite. One is a new method that always avoids the problem. More importantly, we propose a family of new two-way CRVEs based on the cluster jackknife and prove that they yield valid inferences asymptotically. Simulations for models with two-way fixed effects suggest that, in many cases, the cluster-jackknife CRVE combined with our new method yields surprisingly accurate inferences. We provide a software package, twowayjack for Stata, that implements our recommended variance estimator.