Robust Inference With Multiway Clustering
多向聚类下的稳健推断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。
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：摘要用双向随机效应和州—年份聚类场景展示推断方法，直接关联面板数据中的多维依赖，但方法的适用范围更广。
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…
多向聚类下的稳健推断
- 研究问题
- 当观测依赖沿两个或多个非嵌套维度聚类时，如何为 OLS、logit、probit 和 GMM 等估计量构造反映该依赖结构的稳健方差与推断？
- 方法与思路
- 作者将单向聚类稳健的夹心方差估计推广到非嵌套双向或多向聚类，用于线性与非线性估计量，并通过模拟和经验应用展示方法。
- 材料陈述的贡献
- 摘要称该方差估计依赖类似单向聚类的较弱分布假设，可在已有聚类标准误的软件中实现，并给出双向聚类的模拟与应用示范。
- 阅读关注点
- 应核对多维聚类的渐近条件、各维聚类数及有限样本表现，并检查州—年份安慰剂模拟与经验应用中的聚类维度设定。
- 阅读边界
- 摘要未列出具体渐近条件、有限聚类数修正或模拟数值；多向聚类的允许依赖范围与小样本可靠性仍需全文核实。
原文摘要
In this article we propose a variance estimator for the OLS estimator as well as for nonlinear estimators such as logit, probit, and GMM. This variance estimator enables cluster-robust inference when there is two-way or multiway clustering that is nonnested. The variance estimator extends the standard cluster-robust variance estimator or sandwich estimator for one-way clustering (e.g., Liang and Zeger 1986; Arellano 1987) and relies on similar relatively weak distributional assumptions. Our method is easily implemented in statistical packages, such as Stata and SAS, that already offer cluster-robust standard errors when there is one-way clustering. The method is demonstrated by a Monte Carlo analysis for a two-way random effects model; a Monte Carlo analysis of a placebo law that extends the state–year effects example of Bertrand, Duflo, and Mullainathan (2004) to two dimensions; and by application to studies in the empirical literature where two-way clustering is present.