Преглед

Предложената от Камерън, Гелбах и Милър (2008 г.) WCB представлява алтернатива на оценката на дисперсията, базирана на клъстери, когато имате малък брой клъстери или неравномерен брой наблюдения в клъстерите.

Когато подхождаме към модели с клъстерирани наблюдения, често използваме клъстерно-оптимистична оценка на дисперсията, която облекчава допускането за независимост на наблюденията в рамките на всеки клъстер. Тази оценка работи добре, ако имаме много клъстери и ако клъстерите не се различават твърде много по отношение на броя на наблюденията си. Ако обаче случаят не е такъв, можем да получим по-добри оценки, като използваме WCB.

Новата команда wildbootstrap на Stata оценява p-стойностите и доверителните интервали (CI) на WCB за тестове на прости и съставни линейни хипотези за параметрите от линейни регресионни модели. Тези статистики могат да се получат при напасване на линейни регресионни модели, като например тези, напаснати с regress, модели с голям набор от индикаторни променливи, като например тези, напаснати с areg, и модели с фиксирани ефекти, като например тези, напаснати с xtreg, fe

.

Нека видим как работи

Бихме искали да видим влиянието на продължителността на трудовия стаж върху заплатите и да отчетем клъстерите на ниво отрасъл. Тук използваме набор от данни за заплатите от 1988 г., съдържащ само 12 клъстера със значително различаващи се размери на клъстерите – от 4 до 817, което се отклонява от предположенията, необходими за надеждността на оценката на дисперсията, базирана на клъстери. Приготвяме линейна регресия и изчисляваме статистиката на WCB за проверка, че коефициентът на заетост е нула. За възпроизводимост задаваме семето, като използваме rseed().

Справка

Камерън, К. А., Дж.Б. Гелбах и Д.Л. Милър. 2008. Подобрения, базирани на Bootstrap, за изводи с клъстерирани грешки. The Review of Economics and Statistics 90: 417-427.