Asymptotic theory for two-way clustering
双向聚类的渐近理论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：摘要提供通用聚类推断理论，未明确特定面板、宏观或金融研究对象，因此不足以指定所列领域细分。
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
双向聚类的渐近理论
- 研究问题
- 当样本同时存在双向依赖与聚类间异质性时，如何建立有效统计推断，而不要求不同聚类具有相同分布？
- 方法与思路
- 作者针对双向依赖且聚类异质的样本证明新的中心极限定理，并在线性回归中考察标准代入式方差估计量的推断有效性。
- 材料陈述的贡献
- 摘要称，新结果放宽既有双向聚类理论中的聚类同分布要求，并为线性回归采用标准代入式方差估计量提供理论依据。
- 阅读关注点
- 应核对双向依赖的正式定义、允许的聚类异质性、聚类规模增长条件，以及中心极限定理和方差估计有效性之间的衔接。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；依赖结构、矩条件及聚类规模限制未说明，不能将结论推广至任意双向相关样本或推断版本变化。
原文摘要
This paper proves a new central limit theorem for a sample that exhibits two-way dependence and heterogeneity across clusters. Statistical inference for situations with both two-way dependence and cluster heterogeneity has thus far been an open issue. The existing theory for two-way clustering inference requires identical distributions across clusters (implied by the so-called separate exchangeability assumption). Yet no such homogeneity requirement is needed in the existing theory for one-way clustering. The new result therefore theoretically justifies the view that two-way clustering is a more robust version of one-way clustering, consistent with applied practice. In an application to linear regression, I show that a standard plug-in variance estimator is valid for inference.