Cross Sectional Regression with Cluster Dependence: Inference based on Averaging
聚类依赖下的横截面回归：基于平均化的推断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：摘要研究通用横截面回归与聚类推断，未明确对应给定分类中的特定因果、面板或网络问题。
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…
聚类依赖下的横截面回归：基于平均化的推断
- 研究问题
- 聚类大小与聚类数量受到不同限制时，合并 OLS 的一致性和效率如何变化，基于数据平均化的估计能否改善推断？
- 方法与思路
- 作者重新分析聚类依赖下合并 OLS 的渐近性质，提出平均化估计器，并研究其效率、测量误差表现及模拟中的拟合情况。
- 材料陈述的贡献
- 摘要称在部分合并 OLS 不一致的情形中，平均化估计仍一致；在其条件下还可处理经典测量误差并保持渐近正态性。
- 阅读关注点
- 应核对平均化单位与权重、聚类增长方式，以及哪些依赖和测量误差条件支持一致性、效率比较及无需工具变量的结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要未列出关键条件，不能据此认为平均化普遍解决测量误差或优于 OLS。
原文摘要
We re-investigate the asymptotic properties of the traditional OLS (pooled) estimator, $\hatβ _P$, in the context of cluster dependence. The present study considers various scenarios under various restrictions on the cluster sizes and number of clusters. It is shown that $\hatβ_P$ could be inconsistent in many realistic situations. We propose a simple estimator, $\hatβ_A$ based on data averaging. The asymptotic properties of $\hatβ_A$ are studied. It is shown that $\hatβ_A$ is consistent even when $\hatβ_P$ is inconsistent. It is further shown that the proposed estimator $\hatβ_A$ is more efficient than $\hatβ_P$ in many practical scenarios. As a consequence of averaging, we show that $\hatβ_A$ retains consistency, asymptotic normality under classical measurement error problem circumventing the use of Instrumental Variables (IV). A detailed simulation study shows the efficacy of $\hatβ_A$. It is also seen that $\hatβ_A$ yields better goodness of fit.