Jackknife Inference for Fixed Effects Models
固定效应模型的刀切法推断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。
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：题名和摘要明确研究固定效应模型的推断，最贴近面板数据方法，但摘要未说明具体面板结构及其适用范围。
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
固定效应模型的刀切法推断
- 研究问题
- 如何为固定效应模型构造自动、计算负担较低且无需调参的推断方法，并尽量减少对具体模型形式的依赖？
- 方法与思路
- 作者将一组子样本估计量组合为刀切法 t 统计量，再由该统计量获得假设检验、置信区间和 p 值。
- 材料陈述的贡献
- 摘要提出适用于固定效应模型的一般推断方案，并将自动实施、计算成本较低、无需调参及较少依赖模型形式作为特点。
- 阅读关注点
- 应核对子样本如何划分、统计量的标准化方式、有效性所需的渐近设定，以及固定效应偏误和样本依赖如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实。摘要极短，未说明数据结构、具体适用模型、理论条件或有限样本证据。
原文摘要
This paper develops a general method of inference for fixed effects models which is (i) automatic, (ii) computationally inexpensive, (iii) tuning parameter-free, and (iv) highly model agnostic. Specifically, we show how to combine a collection of subsample estimators into a jackknife $t$-statistic, from which hypothesis tests, confidence intervals, and $p$-values are readily obtained.