Clustering with potential multidimensionality: Inference and practice
潜在多维聚类：推断与实践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：摘要讨论聚类标准误、抽样与分配不确定性及基于设计的推断，直接关联因果推断与面板数据中的聚类推断实践。
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
潜在多维聚类：推断与实践
- 研究问题
- 摘要关注在M估计中，当存在抽样不确定性或分配不确定性时，如何为一个或多个维度上的标准误聚类提供理论依据，并给出有效的方差估计。
- 方法与思路
- 作者提出一种方差估计量，对既有保守程序进行改进，同时保持有效性；并从基于设计的视角重新解释经验研究中常见的聚类环境及其估计目标与推断程序。
- 材料陈述的贡献
- 摘要称，现有方差估计程序要么过于保守、要么无效，作者提出的估计量在改进保守程序的同时仍保持有效，并为常见聚类情境的估计目标与推断提供新见解。
- 阅读关注点
- 阅读全文时应核对：所提估计量的具体形式与有效性条件、与既有保守或无效程序的比较依据、基于设计视角下各聚类环境的识别与估计目标界定，以及推断程序的适用边界。
- 阅读边界
- 仅凭摘要无法判断估计量的有限样本表现、证明细节与模拟或实证结果；摘要未说明具体数据、数值结果与适用限制。来源为OpenAlex，未标明同行评审状态，不能据此声称已获期刊接收。
原文摘要
We show how clustering standard errors in one or more dimensions can be justified in M-estimation when there is sampling or assignment uncertainty. Since existing procedures for variance estimation are either conservative or invalid, we propose a variance estimator that refines a conservative procedure and remains valid. We then interpret environments where clustering is frequently employed in empirical work from our design-based perspective and provide insights on their estimands and inference procedures.