Fast and Reliable Jackknife and Bootstrap Methods for Cluster-Robust Inference
快速可靠的聚类稳健 Jackknife 与 Bootstrap 推断方法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：摘要讨论通用线性回归的聚类稳健推断，未明确涉及面板、因果效应或其他给定领域细分。
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…
快速可靠的聚类稳健 Jackknife 与 Bootstrap 推断方法
- 研究问题
- 在线性最小二乘回归中，如何高效计算基于 jackknife 的聚类稳健方差，并改善簇较少或簇规模差异较大时的统计推断？
- 方法与思路
- 作者提供计算上较便捷的 jackknife 聚类稳健方差估计方法，并构造结合这些方差估计或 jackknife 数据生成机制的野生聚类 bootstrap。
- 材料陈述的贡献
- 摘要称大量模拟表明新方法在既有方法不可靠的情形下可改善推断，特别是少簇和簇规模不均衡场景，并给出三个实证例子。
- 阅读关注点
- 应核对不同方差估计和 bootstrap 变体的构造、计算成本，以及少簇、簇规模不均衡和高影响簇下的尺寸与覆盖表现。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明渐近条件、具体簇数量或推断改善幅度。
原文摘要
We provide computationally attractive methods to obtain jackknife-based cluster-robust variance matrix estimators (CRVEs) for linear regression models estimated by least squares. We also propose several new variants of the wild cluster bootstrap, which involve these CRVEs, jackknife-based bootstrap data-generating processes, or both. Extensive simulation experiments suggest that the new methods can provide much more reliable inferences than existing ones in cases where the latter are not trustworthy, such as when the number of clusters is small and/or cluster sizes vary substantially. Three empirical examples illustrate the new methods.