Using Multiple Outcomes to Adjust Standard Errors for Spatial Correlation
利用多个结果变量校正空间相关标准误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：摘要讨论空间截面相关与标准误校正，未明确网络干扰、面板结构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…
利用多个结果变量校正空间相关标准误
- 研究问题
- 当地理边界与距离不能充分描述跨地区依赖时，能否利用同一批单位上的多个结果变量，为目标回归更准确地调整标准误？
- 方法与思路
- 作者假设不同结果变量共享截面相关结构，用多个结果估计依赖，再以多结果阈值化方法 TMO 调整给定回归的标准误。
- 材料陈述的贡献
- 摘要称，该校正在校准的美国县级回归中降低标准误偏误；对九篇近期论文的重新分析显示，校正可能明显改变实际推断。
- 阅读关注点
- 应核对跨结果共享相关结构的可信度、阈值选择和结果变量数量要求，以及回归残差依赖的估计与标准误构造细节。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核实。摘要未说明共享结构失效时的表现、具体理论条件或重分析中的数值变化。
原文摘要
Empirical research in economics often examines the behavior of agents located in a geographic space. In such cases, statistical inference is complicated by the interdependence of economic outcomes across locations. A common approach to account for this dependence is to cluster standard errors based on a predefined geographic partition. A second strategy is to model dependence in terms of the distance between units. Dependence, however, does not necessarily stop at borders and is typically not determined by distance alone. This paper introduces a method that leverages observations of multiple outcomes to adjust standard errors for cross-sectional dependence. Specifically, a researcher, while interested in a particular outcome variable, often observes dozens of other variables for the same units. We show that these outcomes can be used to estimate dependence under the assumption that the cross-sectional correlation structure is shared across outcomes. We develop a procedure, which we call Thresholding Multiple Outcomes (TMO), that uses this estimate to adjust standard errors in a given regression setting. We show that adjustments of this form can lead to sizable reductions in the bias of standard errors in calibrated U.S. county-level regressions. Re-analyzing nine recent papers, we find that the proposed correction can make a substantial difference in practice.