Wild Bootstrap and Asymptotic Inference With Multiway Clustering
多维聚类下的野生自助法与渐近推断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：摘要讨论一般回归中的双向聚类稳健推断与野生自助法，未明确指定面板、因果识别或某类宏观金融模型，因此不强行归类。
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…
多维聚类下的野生自助法与渐近推断
- 研究问题
- 回归误差在两个维度上聚类时，基于不同聚类稳健方差估计量的 t 统计量何时能提供有效推断，又有哪些野生自助程序可以改善实际推断表现？
- 方法与思路
- 作者研究两类双向聚类稳健方差估计量及其 t 统计量，给出渐近有效条件，再提出若干野生自助程序，并通过模拟和实证例子考察推断差异。
- 材料陈述的贡献
- 摘要称，一类方差估计量需要更强的组内相关假设，并给出各类 t 统计量及自助程序的有效性条件；模拟支持部分组合，实证显示推断可明显不同。
- 阅读关注点
- 阅读全文时应核对两类方差估计量的区别、双向组内相关与聚类数量的渐近条件，以及不同自助程序的权重设计、适用统计量和模拟覆盖情形。
- 阅读边界
- 摘要未列出有效性假设、具体推荐的自助程序或模拟误差指标；标题涉及多维聚类，但摘要主要描述二维情形，不能据此推断任意聚类维度均有效。
原文摘要
We study two cluster-robust variance estimators (CRVEs) for regression models with clustering in two dimensions and give conditions under which t-statistics based on each of them yield asymptotically valid inferences. In particular, one of the CRVEs requires stronger assumptions about the nature of the intra-cluster correlations. We then propose several wild bootstrap procedures and state conditions under which they are asymptotically valid for each type of t-statistic. Extensive simulations suggest that using certain bootstrap procedures with one of the t-statistics generally performs very well. An empirical example confirms that bootstrap inferences can differ substantially from conventional ones.