Küme-Sağlam Standart Hatalar
Cluster-Robust (Clustered) Standard Errors · Ayrıca şöyle bilinir: clustered standard errors, cluster-robust inference, clustered variance estimator, Küme Robust Standart Hatalar
Küme-sağlam standart hatalar, gözlemler okullar, hastaneler veya bölgeler gibi kümeler içinde ilişkili olduğunda regresyon katsayılarının varyansını düzeltir. Kümelenmiş sandviç tahmincisi, Liang & Zeger'in (1986) genelleştirilmiş tahmin denklemlerinden doğmuş ve uygulamalı çalışmalar için Cameron & Miller (2015) tarafından sentezlenmiştir; bu sayede sıradan standart hataların çok küçük olacağı durumlarda geçerli çıkarım yapılmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemlerin doğal olarak gruplandığı ve bu gruplar içinde ilişkili olabileceği — panel, boylamsal veya kümelenmiş bir yapıya sahip kesitsel tasarımlar — ve sonuç değişkeninin sürekli veya ikili olduğu durumlarda küme-sağlam standart hataları kullanın. Yaklaşım, küme yapısının doğru bir şekilde belirtildiğini, kümelerin karşılıklı olarak bağımsız olduğunu ve yeterli sayıda küme bulunduğunu (en az yaklaşık 20, yaklaşık 50 örneklem ile) varsayar. Çok az sayıda küme ile uygun değildir, çünkü asimptotik düzeltme bozulur.
Güçlü yönler & sınırlılıklar
- Kümeler içindeki keyfi korelasyon altında, bu korelasyonu açıkça modellemeden geçerli çıkarım üretir.
- Katsayı tahminlerini değiştirmeden bırakır — yalnızca standart hatalar, t-testleri ve güven aralıkları düzeltilir.
- Belirli bir gruplama yapısına sahip panel, boylamsal ve kesitsel verilerde geniş çapta uygulanır.
- Kümelerin sayısına göre asimptotiğe dayanır; yaklaşık 20'den az küme ile standart hatalar güvenilmez hale gelir.
- Doğru bir küme yapısı ve kümeler arası bağımsızlık gerektirir.
- Çok az küme ile (yaklaşık 10'un altında) küme düzeltmesi esasen anlamsızdır.
SSS
Küme-sağlam standart hatalar katsayılarımı değiştirir mi?
Hayır. Temel regresyonun nokta tahminleri tam olarak aynı kalır. Yalnızca varyans — ve dolayısıyla standart hatalar, t-istatistikleri ve güven aralıkları — küme içi korelasyon için düzeltilir.
Kaç küme gereklidir?
Asimptotik düzeltmenin güvenilir olması için en az yaklaşık 20 küme önerilir. 20'den az küme ile standart hatalar güvenilmez hale gelir ve wild cluster bootstrap tercih edilir; yaklaşık 10'dan az küme ile düzeltme esasen anlamsızdır ve permütasyon testi daha iyi bir seçenektir.
Hangi düzeyde kümeleme yapmalıyım?
Korelasyonun makul bir şekilde tetiklendiği düzeyde kümeleme yapın — tipik olarak okul, hastane veya bölge gibi örnekleme veya tedavi atama birimi. Küme yapısı doğru bir şekilde belirtilmeli ve kümeler birbirinden bağımsız olmalıdır.
Bu, heteroskedastisite-sağlam standart hatalardan nasıl farklıdır?
Heteroskedastisite-sağlam (Huber-White) standart hatalar, her gözlemin kendi hata varyansına sahip olmasına izin verir ancak gözlemleri bağımsız olarak ele alır. Küme-sağlam standart hatalar daha ileri giderek, aynı küme içindeki tüm gözlemler arasında keyfi korelasyona izin verir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Cluster-Robust (Clustered) Standard Errors. ScholarGate. https://scholargate.app/tr/statistics/cluster-robust-se
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Permütasyon (Rastgeleleştirme) Testiİstatistik↔ karşılaştır
- Regresyon Çıkarımı için Wild Bootstrapİstatistik↔ karşılaştır