Panel Data with Unknown Clusters
未知聚类结构下的面板数据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：摘要明确研究面板数据中未知聚类的恢复及聚类稳健推断，直接对应面板数据方法；未提供宏观面板应用依据。
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
未知聚类结构下的面板数据
- 研究问题
- 当面板观测存在组内依赖但聚类结构事先未知时，如何从数据恢复聚类，并将其用于聚类稳健推断或近似随机化检验？
- 方法与思路
- 作者对估计的长期方差协方差矩阵进行阈值化以发现聚类，要求时间维度较大，但不对个体数量设置下界。
- 材料陈述的贡献
- 摘要称，该程序能以高概率恢复真实聚类，无需预设聚类结构；使用估计聚类的后续推断能够控制检验尺寸并具有良好功效。
- 阅读关注点
- 应核对长期协方差估计、阈值选择、依赖与信号分离条件，以及聚类恢复误差如何进入后续检验尺寸和功效论证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；不预设聚类结构不等于没有其他条件，摘要未展开恢复与推断保证的前提。
原文摘要
Clustered standard errors and approximate randomization tests are popular inference methods that allow for dependence within observations. However, they require researchers to know the cluster structure ex ante. We propose a procedure to help researchers discover clusters in panel data. Our method is based on thresholding an estimated long-run variance-covariance matrix and requires the panel to be large in the time dimension, but imposes no lower bound on the number of units. We show that our procedure recovers the true clusters with high probability with no assumptions on the cluster structure. The estimated clusters are independently of interest, but they can also be used in the approximate randomization tests or with conventional cluster-robust covariance estimators. The resulting procedures control size and have good power.