Rate-Agnostic Wald Inference for Dyadic Regressions
不依赖收敛速度设定的成对数据回归 Wald 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：摘要明确处理共享单位对的依赖、多层网络和成对面板，并以双边贸易回归应用。
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…
不依赖收敛速度设定的成对数据回归 Wald 推断
- 研究问题
- 在多个观测共享同一单位对、系数可能具有不同收敛速度的成对数据中，如何进行无需指定或估计速度的 Wald 推断？
- 方法与思路
- 作者分析成对稳健 Wald 统计量，在依赖累积条件下推导卡方极限，并提出按单位删除且保证半正定的刀切替代方法。
- 材料陈述的贡献
- 摘要称，推断允许得分方差矩阵条件数发散；刀切法在额外重数条件下有相同极限，该条件失效时仍渐近保守。
- 阅读关注点
- 应核对依赖累积与单位对重数条件、非随机满秩限制的范围，以及两种方差估计在多层网络和成对面板中的计算方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未写出关键依赖条件，免设收敛速度不意味着允许任意依赖。
原文摘要
This paper develops Wald inference for least-squares estimation of linear regression models on dyadic data, accommodating configurations where multiple observations share the same pair of units (e.g., directed flows, multilayer networks, and dyadic panels). We establish that the dyadic-robust Wald statistic is asymptotically $χ^2_q$ for an arbitrary nonrandom sequence of full-rank restrictions, under a single condition on the accumulation of dependence. Throughout, no convergence rate is assumed or estimated, permitting the condition number of the score's variance matrix to diverge. We further propose a delete-one-unit jackknife alternative that is positive semidefinite by construction. This jackknife statistic attains the same asymptotic limit under one additional condition on dyad multiplicity and remains asymptotically conservative when that condition fails. A supplement contains all proofs, Monte Carlo experiments featuring estimated coefficients that converge at heterogeneous rates, and an empirical gravity application to bilateral trade.