t -Statistic Based Correlation and Heterogeneity Robust Inference
基于 t 统计量的相关性与异质性稳健推断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：摘要提出适用于时间序列、面板、聚类和空间数据的通用推断方法，未限定微观或宏观问题，所列细分的归属证据不足。
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
基于 t 统计量的相关性与异质性稳健推断
- 研究问题
- 当数据存在未知形式的相关性与异质性时，如何对单个目标参数进行稳健推断，并避免完全刻画复杂的协方差结构？
- 方法与思路
- 作者将数据分为 q≥2 组，分别估计目标参数，再对组估计量使用标准 t 检验；论证利用独立异方差高斯观测下的小样本保守性。
- 材料陈述的贡献
- 摘要提出有效且在某种意义下有效率的分组推断框架，并列举时间序列、面板、聚类及空间相关数据中的应用方式。
- 阅读关注点
- 重点核对分组怎样保证估计量渐近独立、无偏且高斯，以及组数、组内样本增长方式和文中效率表述的具体含义。
- 阅读边界
- 所引用的小样本保守性结论限于显著性水平不超过 5% 的独立异方差高斯观测；组估计量所需条件是否成立，不能仅凭摘要判断。
原文摘要
We develop a general approach to robust inference about a scalar parameter of interest when the data is potentially heterogeneous and correlated in a largely unknown way. The key ingredient is the following result of Bakirov and Székely (2005) concerning the small sample properties of the standard t-test: For a significance level of 5% or lower, the t-test remains conservative for underlying observations that are independent and Gaussian with heterogenous variances. One might thus conduct robust large sample inference as follows: partition the data into q≥2 groups, estimate the model for each group, and conduct a standard t-test with the resulting q parameter estimators of interest. This results in valid and in some sense efficient inference when the groups are chosen in a way that ensures the parameter estimators to be asymptotically independent, unbiased and Gaussian of possibly different variances. We provide examples of how to apply this approach to time series, panel, clustered and spatially correlated data.