Regression model

Стандартные ошибки, робастные к кластеризации

Стандартные ошибки, робастные к кластеризации, корректируют дисперсию коэффициентов регрессии, когда наблюдения коррелируют внутри кластеров, таких как школы, больницы или регионы. Кластеризованный сэндвич-оценщик вырос из обобщенных оценочных уравнений Liang & Zeger (1986) и был синтезирован для прикладной работы Cameron & Miller (2015), обеспечивая достоверные выводы, когда обычные стандартные ошибки были бы слишком малы.

Применить в StatMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Источники

  1. 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
  2. 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

Как цитировать эту страницу

ScholarGate. (2026, June 1). Cluster-Robust (Clustered) Standard Errors. ScholarGate. https://scholargate.app/ru/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.

Compare side by side

Упоминается в

ScholarGateCluster-Robust Standard Errors (Cluster-Robust (Clustered) Standard Errors). Получено 2026-06-15 из https://scholargate.app/ru/statistics/cluster-robust-se · Набор данных: https://doi.org/10.5281/zenodo.20539026