Simple and trustworthy cluster-robust GMM inference
简便且可靠的聚类稳健 GMM 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：摘要研究通用的聚类稳健 GMM 推断，未明确对应所列具体应用领域。
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
简便且可靠的聚类稳健 GMM 推断
- 研究问题
- 当样本量增加而聚类数量保持固定时，传统两步 GMM 的检验如何受到影响，怎样获得便于使用且近似准确的推断方法？
- 方法与思路
- 作者建立固定聚类数的渐近理论，对聚类协方差估计中的矩过程重新中心化，并修改多类 GMM 统计量及有限样本方差。
- 材料陈述的贡献
- 摘要称，修改后的统计量可采用渐近标准 F 或 t 分布，无须额外重抽样；模拟中，其推断准确性优于传统大聚类数近似。
- 阅读关注点
- 应核对固定聚类数下的样本增长方式、重新中心化为何必要，以及各检验的修正公式、自由度与有限样本方差修正条件。
- 阅读边界
- 仅据所给出版社摘要，无法判断聚类间依赖限制或不均衡聚类的适用性；渐近 F、t 近似不等于有限样本精确检验。
原文摘要
This paper develops a new asymptotic theory for GMM estimation and inference in the presence of clustered dependence. The key feature of our alternative asymptotics is that the number of clusters G is regarded as fixed as the sample size increases. Under the fixed-G asymptotics, we show that the Wald and t tests in two-step GMM are asymptotically pivotal only if we recenter the estimated moment process in the clustered covariance estimator (CCE). Also, the J statistic, the trinity of two-step GMM statistics (QLR, LM, and Wald), and the t statistic can be modified to have an asymptotic standard F distribution or t distribution. We suggest a finite-sample variance correction to further improve the accuracy of the F and t approximations. The proposed tests are very appealing to practitioners because the test statistics are simple modifications of conventional GMM test statistics, and critical values are readily available from F and t tables. No further simulations or resampling methods are needed. A Monte Carlo study shows that our proposed tests are more accurate than the conventional large-G asymptotic inferences.