Spatial Correlation Robust Inference in Linear Regression and Panel Models
Spatial Correlation Robust Inference in Linear Regression and Panel Models
复制标题
线性回归和面板模型中的空间相关鲁棒推理
DOI：
--
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
M. Watson
中科院分区：
文献类型：
--
作者：
Ulrich K. Müller;M. Watson
摘要：我们考虑对具有空间相关误差的线性回归中的标量系数进行推断。最近关于更稳健的推理的建议要求回归量和因变量都具有平稳性，以保证大样本的有效性。这排除了许多经验相关的应用，例如双重差分设计。我们开发了最近建议的 SCPC 方法的强化版本来应对这一挑战。我们发现该方法在各种蒙特卡洛设计中具有良好的尺寸属性，这些设计针对现实世界的应用进行了校准，无论是在纯横截面设置中，还是在空间相关的面板数据中。我们提供数字有效的方法来计算相关的空间相关稳健测试统计量、临界值和置信区间。
Abstract We consider inference about a scalar coefficient in a linear regression with spatially correlated errors. Recent suggestions for more robust inference require stationarity of both regressors and dependent variables for their large sample validity. This rules out many empirically relevant applications, such as difference-in-difference designs. We develop a robustified version of the recently suggested SCPC method that addresses this challenge. We find that the method has good size properties in a wide range of Monte Carlo designs that are calibrated to real world applications, both in a pure cross sectional setting, but also for spatially correlated panel data. We provide numerically efficient methods for computing the associated spatial-correlation robust test statistics, critical values, and confidence intervals.
影响因子：
13.7
作者：
Henderson, J. Vernon;Squires, Tim;Weil, David
通讯作者：
Weil, David
空间相关性鲁棒推理
影响因子：
6.1
作者：
Müller, Ulrich K.;Watson, Mark W.
通讯作者：
Watson, Mark W.