.png){kind=icon}
返回
When Cluster-Robust Inferences Fail
.png){kind=icon}
PRE
AI
DOI：10.1177/00131644251393203.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管聚类稳健标准误（CRSEs）常用于处理嵌套数据中观察值的独立性违背问题，但一个未被充分重视的问题是，存在多种情况会导致CRSEs无法正确维持名义上的I类错误率。这些情况（例如分析集群规模不平衡的数据）在各种教育相关数据集中普遍存在，并且在计算使用集群层面预测变量时的统计推断检验时需要考虑。通过蒙特卡洛模拟，我们研究了这些条件，并测试了替代估计量和自由度（df）调整，以评估它们在多大程度上能缓解传统CRSE（CR1）估计量使用连续和二元预测变量时产生的问题。研究发现，偏差减少线性化估计量（CR2）和刀切法估计量（CR3）结合自由度调整，在大多数测试条件下均能有效维持I类错误率。结果还表明，当CR1与基于有效集群规模的自由度相结合时也是可接受的。我们强调，清晰描述嵌套数据结构的重要性，因为数据集的特征会影响使用CRSEs时的I类错误率。
Keyword:
clustered data
cluster robust standard errors
degrees of freedom
effective sample size
期刊
E
IF:
2.3
论文数:
109
被引数:
1.2W
机构
引用论文
Fast and wild: Bootstrap inference in Stata using boottest快速而狂野: 使用boottest在Stata中进行引导推理.png)
STATA JOURNAL
OAAI
STATA JOURNALIF2.4
OAAI分享收藏Accounting for Random Slopes Using Cluster-Robust Standard Errors in Multilevel Models使用聚类稳健标准误在多层模型中考虑随机斜率
PREAI
分享收藏Leverage, influence, and the jackknife in clustered regression models: Reliable inference using summclustSTATA JOURNAL
OAAI
STATA JOURNALIF2.4
OAAI分享收藏Using Robust Standard Errors for the Analysis of Binary Outcomes with a Small Number of Clusters
PREAI
分享收藏分享收藏
查看更多内容