Unbiased estimation of the OLS covariance matrix when the errors are clustered
聚类误差下 OLS 协方差矩阵的无偏估计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：摘要聚焦聚类误差下的协方差估计与检验尺寸，未明确涉及面板结构或因果效应识别，细分证据不足。
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…
聚类误差下 OLS 协方差矩阵的无偏估计
- 研究问题
- 存在聚类误差时，怎样构造 OLS 协方差矩阵的无偏估计，且协方差估计器的选择如何影响不同簇结构下的 t 检验尺寸？
- 方法与思路
- 作者在随机效应模型及另外两类更一般的误差结构下推导无偏协方差估计，并以模拟中的 t 检验尺寸比较不同估计器。
- 材料陈述的贡献
- 摘要称解释变量在各簇分布相同时估计器选择影响较小；若处理变量在簇内恒定，所提随机效应版本在簇规模高度不均衡时表现良好。
- 阅读关注点
- 核对另外两类误差结构的定义、无偏性依赖的条件，以及模拟如何设置簇数、簇规模、解释变量分布和检验临界值。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出公式和模拟数值，无偏协方差也不能单独保证所有情形下检验尺寸准确。
原文摘要
When data are clustered, common practice has become to do OLS and use an estimator of the covariance matrix of the OLS estimator that comes close to unbiasedness. In this paper we derive an estimator that is unbiased when the random-effects model holds. We do the same for two more general structures. We study the usefulness of these estimators against others by simulation, the size of the $t$-test being the criterion. Our findings suggest that the choice of estimator hardly matters when the regressor has the same distribution over the clusters. But when the regressor is a cluster-specific treatment variable, the choice does matter and the unbiased estimator we propose for the random-effects model shows excellent performance, even when the clusters are highly unbalanced.