Robustni standardni pogrešci za klastere
Robustni standardni pogrešci za klastere ispravljaju varijancu regresijskih koeficijenata kada su opažanja međusobno korelirana unutar klastera kao što su škole, bolnice ili regije. Klasterizirani sendvič-estmator proizašao je iz generaliziranih jednadžbi procjene Liang & Zegera (1986.) te ga je za primijenjeni rad sintetizirao Cameron & Miller (2015.), omogućujući valjano zaključivanje kada bi obični standardni pogrešci bili premali.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Liang, K. Y. & Zeger, S. L. (1986). Longitudinal Data Analysis Using Generalized Linear Models. Biometrika, 73(1), 13-22. DOI: 10.1093/biomet/73.1.13 ↗
- Cameron, A. C. & Miller, D. L. (2015). A Practitioner's Guide to Cluster-Robust Inference. Journal of Human Resources, 50(2), 317-372. DOI: 10.3368/jhr.50.2.317 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Cluster-Robust (Clustered) Standard Errors. ScholarGate. https://scholargate.app/hr/statistics/cluster-robust-se
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Regresija običnih najmanjih kvadrata (OLS)Ekonometrija↔ compare
- Model s fiksnim učincima za panelne podatkeEkonometrija↔ compare
- Test permutacije (randomizacije)Statistika↔ compare
- Divlji bootstrap za regresijsko zaključivanjeStatistika↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →