Refined Cluster Robust Inference
精化的聚类稳健推断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：摘要给出通用聚类稳健回归推断方法，未明确针对面板、因果识别或其他给定细分方向。
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
精化的聚类稳健推断
- 研究问题
- 在聚类数量较少、回归系数 t 统计量的正态近似可能失准时，如何改进临界值，以获得更准确的聚类稳健检验？
- 方法与思路
- 作者基于 t 统计量的条件 Cramér–Edgeworth 展开，使用估计得分的偏度与峰度构造闭式临界值，无须进行重抽样。
- 材料陈述的贡献
- 摘要称所提临界值具有三阶精化性质，模拟显示在仅有十个聚类的设置下，也能改善检验大小控制的表现。
- 阅读关注点
- 应核对三阶精化的渐近含义、聚类间依赖及矩条件，并检查偏度峰度估计在聚类不均衡和少数聚类下的可靠性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出理论条件和模拟细节，十个聚类的结果不能视为普遍有效性保证。
原文摘要
It has become standard for empirical studies to conduct inference robust to cluster dependence and heterogeneity. With a small number of clusters, the normal approximation for the $t$-statistics of regression coefficients may be poor. This paper tackles this problem using a critical value based on the conditional Cramér-Edgeworth expansion for the $t$-statistics. The proposed critical value guarantees third-order refinement, and it does not require resampling because it is a closed-form function of the estimated score skewness and kurtosis. Simulations show that our proposal can make a difference in size control with as few as 10 clusters. Keywords: Cluster robust inference, Cramér-Edgeworth expansion, Asymptotic refinement