Bootstrap Inference under General Two-way Clustering with Serially and Spatially Dependent Common Effects
序列与空间依赖共同效应下的一般双向聚类自助推断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：摘要研究一般双向聚类回归推断，虽涉及序列与空间依赖，但未明确限定面板或宏观时间序列，细分证据不足。
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
序列与空间依赖共同效应下的一般双向聚类自助推断
- 研究问题
- 在线性回归双向聚类数据中，如何面对不同高斯与非高斯极限情形，并在两个聚类维度分别存在空间和序列依赖时实施推断？
- 方法与思路
- 作者划分五种互斥且穷尽的渐近情形，建立不可行性结果，再用数据驱动分类器和基于投影的 wild bootstrap 处理可行情形。
- 材料陈述的贡献
- 摘要称该程序在四种可行情形上提供一致有效推断，允许两个维度的灵活依赖，并说明跨不可行情形的统一推断限制。
- 阅读关注点
- 应核对五种情形的定义、统一有效性的参数范围、分类器误判的处理，以及空间和序列依赖限制与不可行性定理的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未列出完整依赖条件，所称统一有效性覆盖四种可行情形，不能扩展至全部情形。
原文摘要
This paper develops bootstrap procedures for inference in linear regression models with two-way clustered data. We characterize the estimator's asymptotic behavior in five mutually exclusive and exhaustive regimes: three Gaussian and two non-Gaussian. We establish four impossibility results: heterogeneous score components preclude uniform consistency; uniform consistency also fails in one non-Gaussian (infeasible) regime; the infeasible regime is not uniformly distinguishable from a feasible one; and uniform validity over all feasible regimes rules out uniform conservativeness over the infeasible regime. To address the feasible regimes, we propose a data-driven regime classifier and a projection-based wild bootstrap procedure. The procedure delivers uniformly valid inference across the four feasible regimes while allowing serial dependence along the second clustering dimension and spatial dependence along the first. This combination of regime adaptivity and flexible dependence is new to the two-way clustering literature. Monte Carlo simulations confirm the accuracy and flexibility of the proposed methods in settings with complex clustering structures.