Spatial Correlation Robust Inference in Linear Regression and Panel Models
线性回归与面板模型中的空间相关稳健推断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：摘要明确涉及空间相关面板数据，并以双重差分设计说明现有推断限制，对应面板和因果推断。
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
线性回归与面板模型中的空间相关稳健推断
- 研究问题
- 当回归误差存在空间相关，而解释变量和因变量不满足已有方法所需的平稳性时，如何对单个回归系数进行稳健推断？
- 方法与思路
- 作者构造 SCPC 方法的稳健化版本，用于截面和空间相关面板，并提供计算检验统计量、临界值与置信区间的高效方法。
- 材料陈述的贡献
- 摘要称新方法应对平稳性要求排除双重差分等应用的问题，并在按真实应用校准的多种模拟设计中具有良好检验尺寸。
- 阅读关注点
- 应核对稳健化具体放宽哪些平稳性条件、保留哪些空间依赖约束，以及面板和双重差分设计下的有效性范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断方法对任意空间相关均有效；具体条件和尺寸偏差未说明，未核对刊本变化。
原文摘要
We consider inference about a scalar coefficient in a linear regression with spatially correlated errors. Recent suggestions for more robust inference require stationarity of both regressors and dependent variables for their large sample validity. This rules out many empirically relevant applications, such as difference-in-difference designs. We develop a robustified version of the recently suggested SCPC method that addresses this challenge. We find that the method has good size properties in a wide range of Monte Carlo designs that are calibrated to real world applications, both in a pure cross sectional setting, but also for spatially correlated panel data. We provide numerically efficient methods for computing the associated spatial-correlation robust test statistics, critical values, and confidence intervals.