Asymptotic theory and wild bootstrap inference with clustered errors
聚类误差下的渐近理论与野生自助推断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。
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：摘要属于通用回归聚类推断理论，未限定面板、因果或其他所列应用领域。
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…
聚类误差下的渐近理论与野生自助推断
- 研究问题
- 回归误差存在聚类时，聚类稳健推断与野生聚类自助法在什么增长条件下有效，不同自助法变体为何可能表现不同？
- 方法与思路
- 作者限制簇数量增加时簇规模的增长速度，建立渐近与自助推断有效性，并用 Edgeworth 展开分析检验统计量的误差。
- 材料陈述的贡献
- 摘要称理论解释渐近检验的过度拒绝，并帮助选择辅助分布及自助生成过程中的受限或非受限估计；模拟展示变体差异。
- 阅读关注点
- 应核对簇规模增长限制、簇间依赖要求、展开所需条件，以及辅助分布和受限估计的选择如何影响检验与置信区间。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体增长界限及小簇数下的适用性；不能据此认定某个野生自助法变体始终更优。
原文摘要
We study inference based on cluster-robust variance estimators for regression models with clustered errors, focusing on the wild cluster bootstrap. We state conditions under which asymptotic and bootstrap tests and confidence intervals are asymptotically valid. These conditions put limits on the rates at which the cluster sizes can increase as the number of clusters tends to infinity. We also derive Edgeworth expansions for the asymptotic and bootstrap test statistics. Simulation experiments illustrate the theoretical results and suggest that alternative variants of the wild cluster bootstrap may perform quite differently. The Edgeworth expansions explain the overrejection of asymptotic tests and shed light on the choice of auxiliary distribution and whether to use restricted or unrestricted estimates in the bootstrap data-generating process.