Robust Inference in High Dimensional Linear Model with Cluster Dependence
聚类依赖下高维线性模型的稳健推断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。
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：摘要将推断方法应用于高中成绩奖励及堕胎对犯罪的影响研究，直接涉及微观政策效应推断。
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
聚类依赖下高维线性模型的稳健推断
- 研究问题
- 当线性模型维度较高且观测存在聚类依赖时，常规聚类标准误的偏差是否持续存在，又如何构造有效的替代估计？
- 方法与思路
- 作者重新分析高维渐近下的聚类标准误偏差，提出留一聚类交叉拟合估计量 LCOC，并开展模拟与两项政策研究的应用。
- 材料陈述的贡献
- 摘要称常规偏差在高维渐近下不消失，LCOC 在所研究设定下无偏、一致且容许聚类依赖，并涵盖已有留一观测方法。
- 阅读关注点
- 应核对聚类数量和规模、协变量维度与样本量的增长关系，以及留出聚类后的可估计性和方差推断条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整正则条件及模拟数值，不能判断所有聚类设计下的表现。
原文摘要
Cluster standard error (Liang and Zeger, 1986) is widely used by empirical researchers to account for cluster dependence in linear model. It is well known that this standard error is biased. We show that the bias does not vanish under high dimensional asymptotics by revisiting Chesher and Jewitt (1987)'s approach. An alternative leave-cluster-out crossfit (LCOC) estimator that is unbiased, consistent and robust to cluster dependence is provided under high dimensional setting introduced by Cattaneo, Jansson and Newey (2018). Since LCOC estimator nests the leave-one-out crossfit estimator of Kline, Saggio and Solvsten (2019), the two papers are unified. Monte Carlo comparisons are provided to give insights on its finite sample properties. The LCOC estimator is then applied to Angrist and Lavy's (2009) study of the effects of high school achievement award and Donohue III and Levitt's (2001) study of the impact of abortion on crime.