Jackknife variance estimators for two-way clustering with serially correlated time effects
时间效应序列相关下双向聚类的刀切法方差估计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：摘要明确讨论双向聚类和序列相关时间效应，对应面板数据中的相关结构与稳健推断。
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
时间效应序列相关下双向聚类的刀切法方差估计
- 研究问题
- 在线性回归的双向聚类数据中，如何允许时间效应序列相关，并改善常规聚类稳健方差估计的有限样本推断表现？
- 方法与思路
- 作者提出刀切法聚类稳健方差估计量，以理论与模拟考察其有效性，并在极限分布可能非高斯时提出最大刀切法检验。
- 材料陈述的贡献
- 摘要称方法改善有限样本推断并避免非正定导致的标准误未定义；基准情形下不向下偏，最大刀切法检验渐近保守。
- 阅读关注点
- 应核对双向聚类与时间依赖的渐近条件、不向下偏结论限定的基准情形，以及最大刀切法检验的构造和保守性条件。
- 阅读边界
- 仅据作者／机构库版本摘要，不能推断刊本变化；摘要未说明理论条件与模拟设计，不向下偏也仅针对所述基准情形。
原文摘要
Chiang, Hansen, and Sasaki (2024) and Chen and Vogelsang (2024) developed cluster-robust variance estimators (CRVEs) for linear regressions with two-way clustered data allowing for arbitrary serial dependence. However, conventional CRVEs can perform poorly in finite samples. We propose jackknife CRVEs and establish their theoretical validity. Our theoretical and simulation results demonstrate several advantages of the proposed procedures. First, the jackknife CRVE delivers more reliable finite-sample inference than the conventional two-way CRVE. Second, it avoids undefined standard errors arising from non-positive definite CRVEs. Third, in a benchmark setting, it is never downward biased. Finally, when the limiting distribution may be non-Gaussian, the proposed max-jackknife test remains asymptotically conservative.