Wild Bootstrap Inference with Multiway Clustering and Serially Correlated Time Effects
多维聚类与序列相关时间效应下的野生自助法推断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。
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：摘要研究通用回归的多维聚类推断，未明确对应所列某一专门应用领域。
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
多维聚类与序列相关时间效应下的野生自助法推断
- 研究问题
- 当回归误差具有多维聚类结构，且共同时间效应存在序列相关时，如何构造有效的野生自助法推断？
- 方法与思路
- 作者将单维野生聚类自助法推广到多维聚类，为学生化统计量建立有效性理论，并允许共同时间效应具有任意序列依赖。
- 材料陈述的贡献
- 摘要称该理论纳入既有双维自助法未涵盖的时间效应序列依赖，模拟显示推断可能改善，并通过重新分析实证研究作说明。
- 阅读关注点
- 应核对各聚类维度的渐近安排、重抽样权重构造、学生化方式，以及允许任意序列依赖时仍需满足哪些正则条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未说明聚类数量、依赖条件和具体实证对象，不能判断小聚类适用性或刊本变化。
原文摘要
This article studies wild bootstrap-based inference for regression models with multiway clustering. Our proposed methods are multiway counterparts to the (one-way) wild cluster bootstrap approach introduced by Cameron, Gelbach, and Miller. We establish the validity of our methods for studentized statistics. Theoretical results are provided, accommodating arbitrary serial dependence in the common time effects—an aspect excluded by existing two-way bootstrap-based approaches. Simulation experiments document the potential for enhanced inference with our novel approaches. We illustrate the effectiveness of the methods by revisiting an empirical study involving multiway clustered and serially correlated data.