Cluster-robust jackknife and bootstrap inference for logistic regression models
Logistic 回归模型的聚类稳健刀切法与自助法推断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：摘要明确研究 logit 和其他二元响应模型的统计推断，与离散选择细分最直接相关。
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…
Logistic 回归模型的聚类稳健刀切法与自助法推断
- 研究问题
- 当 logit 模型存在群组内相关时，常用聚类稳健方差估计为何可能产生不可靠推断，群组刀切法及自助法能否改善这一表现？
- 方法与思路
- 作者研究逐群组刀切法，并基于经验得分构造刀切方差和野生聚类自助法的线性化版本，结合模拟、两个实证例子及 Stata 软件实现。
- 材料陈述的贡献
- 摘要称线性化方法降低了计算负担，模拟更支持新方法，实证例子显示方法选择可能影响推断，并指出可推广到其他二元响应模型。
- 阅读关注点
- 应核对线性化近似的推导、聚类数量与不平衡程度对推断的影响，以及模拟中的检验尺寸、计算成本和软件实现范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出有效推断的具体条件或比较数值，不能认定新方法在所有聚类设计中更优。
原文摘要
We study cluster-robust inference for logistic regression (logit) models. Inference based on the most commonly-used cluster-robust variance matrix estimator (CRVE) can be very unreliable. We study several alternatives. Conceptually the simplest of these, but also the most computationally demanding, involves jackknifing at the cluster level. We also propose a linearized version of the cluster-jackknife variance matrix estimator as well as linearized versions of the wild cluster bootstrap. The linearizations are based on empirical scores and are computationally efficient. Our results can readily be generalized to other binary response models. We also discuss a new Stata software package called logitjack which implements these procedures. Simulation results strongly favor the new methods, and two empirical examples suggest that it can be important to use them in practice.