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。
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：摘要属于通用依赖样本推断理论，未明确给出面板、时间序列或其他所列领域的具体结构。
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和跨聚类异质性时，能否建立有效统计推断，而不要求现有双向聚类理论中的跨聚类同分布？
- 方法与思路
- 作者针对双向依赖且聚类异质的样本建立新的中心极限定理，并在线性回归中研究标准代入式方差估计量的有效性。
- 材料陈述的贡献
- 摘要称新结果放宽了既有理论中由分别可交换性带来的同质性要求，为异质情形的双向聚类推断和标准方差估计提供依据。
- 阅读关注点
- 应核对双向依赖如何界定、允许何种异质性、两维聚类数量及规模如何增长，以及代入式方差估计有效所需的条件。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出极限定理的具体条件，不能推断所有双向聚类样本均适用。
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.