Fast and reliable jackknife and bootstrap methods for cluster‐robust inference
快速可靠的聚类稳健刀切与自助推断方法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：摘要讨论通用线性回归聚类推断，未说明足以对应给定细分领域的应用内容。
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…
快速可靠的聚类稳健刀切与自助推断方法
- 研究问题
- 在线性回归中，当聚类数量较少或规模差异较大时，如何以较低计算成本获得更可靠的聚类稳健方差和检验？
- 方法与思路
- 作者提出便于计算的刀切聚类稳健方差估计，以及结合这些方差估计和刀切数据生成机制的多种 wild cluster bootstrap。
- 材料陈述的贡献
- 摘要称，广泛模拟显示新方法在少聚类或聚类规模悬殊等既有方法不可靠的情形中改善推断，并提供三个实证示例。
- 阅读关注点
- 应核对各方差与自助法变体的构造、计算节省来源，以及聚类数量、规模和其他设计特征如何影响检验表现。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断各变体的适用条件和优势幅度；模拟证据不能保证任意聚类设计下均可靠。
原文摘要
Summary We provide computationally attractive methods to obtain jackknife‐based cluster‐robust variance matrix estimators (CRVEs) for linear regression models estimated by least squares. We also propose several new variants of the wild cluster bootstrap, which involve these CRVEs, jackknife‐based bootstrap data‐generating processes, or both. Extensive simulation experiments suggest that the new methods can provide much more reliable inferences than existing ones in cases where the latter are not trustworthy, such as when the number of clusters is small and/or cluster sizes vary substantially. Three empirical examples illustrate the new methods.