Testing for the appropriate level of clustering in linear regression models
线性回归中适当聚类层级的检验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：摘要讨论通用线性回归的聚类稳健推断，未明确因果、面板或金融研究对象，现有细分领域证据不足。
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…
线性回归中适当聚类层级的检验
- 研究问题
- 当数据存在多个可能的聚类层级时，如何检验无聚类或较细聚类是否足够，并判断是否需要采用更粗的聚类层级？
- 方法与思路
- 作者分别针对单个与多个系数构建聚类层级检验，提供渐近和 wild bootstrap 实现，并提出选择层级的序贯检验。
- 材料陈述的贡献
- 摘要称这些检验可比较无聚类或细聚类与粗聚类，并报告自助法在模拟中的原假设表现和功效，以及一项实证示例。
- 阅读关注点
- 应核对候选聚类层级的关系、检验统计量与聚类数条件，以及序贯选择的错误控制和选择后回归推断是否另行处理。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断有限聚类数下的适用性或序贯误差控制；检验结果不能保证找到唯一正确层级。
原文摘要
The overwhelming majority of empirical research that uses cluster-robust inference assumes that the clustering structure is known, even though there are often several possible ways in which a dataset could be clustered. We propose two tests for the correct level of clustering in regression models. One test focuses on inference about a single coefficient, and the other on inference about two or more coefficients. We provide both asymptotic and wild bootstrap implementations. The proposed tests work for a null hypothesis of either no clustering or “fine” clustering against alternatives of “coarser” clustering. We also propose a sequential testing procedure to determine the appropriate level of clustering. Simulations suggest that the bootstrap tests perform very well under the null hypothesis and can have excellent power. An empirical example suggests that using the tests leads to sensible inferences.