Leverage, Influence, and the Jackknife in Clustered Regression Models: Reliable Inference Using summclust
聚类回归中的杠杆、影响与 Jackknife：使用 summclust 开展可靠推断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：摘要讨论通用聚类回归诊断，未明确涉及面板结构、因果识别或其他所列细分方向。
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…
聚类回归中的杠杆、影响与 Jackknife：使用 summclust 开展可靠推断
- 研究问题
- 在误差具有聚类结构的线性回归中，如何诊断哪些簇使稳健推断困难，并评估回归结果对不同簇数据的依赖程度？
- 方法与思路
- 作者提出簇层面的杠杆、偏杠杆和影响度量，给出多数情形下的快速计算方法，并结合这些计算获得两种 Jackknife 方差矩阵估计。
- 材料陈述的贡献
- 摘要介绍实现上述诊断和方差计算的 Stata 包 summclust，并称两种 Jackknife 方差估计通常比常规估计更保守。
- 阅读关注点
- 应核对各诊断量的定义与解释、快速计算适用的回归设计，以及高杠杆簇和影响较大簇对标准误及检验结果的不同作用。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；更保守不等于覆盖率必然正确，摘要未给出有效推断的具体条件。
原文摘要
We introduce a new Stata package called summclust that summarizes the cluster structure of the dataset for linear regression models with clustered disturbances. The key unit of observation for such a model is the cluster. We therefore propose cluster-level measures of leverage, partial leverage, and influence and show how to compute them quickly in most cases. The measures of leverage and partial leverage can be used as diagnostic tools to identify datasets and regression designs in which cluster-robust inference is likely to be challenging. The measures of influence can provide valuable information about how the results depend on the data in the various clusters. We also show how to calculate two jackknife variance matrix estimators efficiently as a byproduct of our other computations. These estimators, which are already available in Stata, are generally more conservative than conventional variance matrix estimators. The summclust package computes all the quantities that we discuss.