When Can We Trust Cluster-Robust Inference?
何时可以信赖聚类稳健推断？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。
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：摘要讨论横截面与面板均适用的通用聚类推断，未聚焦某一特定领域细分。
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
何时可以信赖聚类稳健推断？
- 研究问题
- 面对簇内异方差与相关性，如何判断不同聚类稳健方差估计、解析检验和自助法所给出的推断是否可靠？
- 方法与思路
- 摘要主张针对具体回归模型与数据集，运用多种程序评估不同推断方法的可靠性；未列出这些程序的细节。
- 材料陈述的贡献
- 摘要强调没有方法在所有情形下都可靠，并提出通过针对性评估，为选择可置信的检验结果与置信区间提供依据。
- 阅读关注点
- 应核对可靠性评估程序、不同方法失效的情形，以及簇结构、样本特征和回归设计如何影响推荐方案。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出具体诊断规则，不能据此确定某份数据应采用哪种方法。
原文摘要
It is common when using cross-section or panel data to assign each observation to a cluster and allow for arbitrary patterns of heteroskedasticity and correlation within clusters. For regression models, there are many ways to make cluster-robust inferences. A number of different variance matrix estimators can be used. Hypothesis tests and confidence intervals can then be based on several alternative analytic or bootstrap distributions. Some methods typically perform much better than others, but no method yields reliable inferences in every case. Thus it can be hard to know which $P$ values and confidence intervals to trust. Nevertheless, by using a number of procedures to assess the reliability of various inferential methods for a specific model and dataset, we can often obtain results in which we may be reasonably confident.