Asymptotic Behavior of a t -Test Robust to Cluster Heterogeneity
对聚类异质性稳健的 t 检验的渐近行为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：摘要研究通用聚类稳健推断，未明确限定于面板、因果推断或其他给定细分方向。
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…
对聚类异质性稳健的 t 检验的渐近行为
- 研究问题
- 聚类之间存在异质性时，聚类稳健 t 统计量的原假设分布如何近似，实际聚类数又能否充分反映推断所需的信息量？
- 方法与思路
- 作者建立聚类稳健 t 统计量的高斯渐近原假设分布，并提出将实际聚类数向下调整的有效聚类数，作为评估检验行为的依据。
- 材料陈述的贡献
- 摘要建议应用研究报告实际及有效聚类数；当有效聚类数足够大时，可采用正态临界值进行假设检验。
- 阅读关注点
- 应核对聚类异质性的允许形式、渐近结论所需条件、有效聚类数的计算，以及何种证据支持将其视为足够大。
- 阅读边界
- 摘要未给出有效聚类数公式或足够大的判定标准，不能仅凭实际聚类数较多就认定正态近似可靠，也未说明少聚类时的补救办法。
原文摘要
For a cluster-robust t-statistic under cluster heterogeneity we establish that the cluster-robust t-statistic has a gaussian asymptotic null distribution and develop the effective number of clusters, which scales down the actual number of clusters, as a guide to the behavior of the test statistic. The implications for hypothesis testing in applied work are that the number of clusters, rather than the number of observations, should be reported as the sample size, and the effective number of clusters should be reported to guide inference. If the effective number of clusters is large, testing based on critical values from a normal distribution is appropriate.