Reworking wild bootstrap‐based inference for clustered errors

Abstract

Cluster‐robust inference is increasingly common in empirical research. With few clusters, inference is often conducted using the wild cluster bootstrap. With conventional bootstrap weights the set of valid P$$ P $$‐values can create ambiguities in inference. I consider several modifications to the bootstrap procedure to resolve these ambiguities. Monte Carlo simulations provide evidence that both a new 6‐point bootstrap weight distribution and a kernel density estimation approach improve the reliability of inference. A brief empirical example highlights the implications of these findings. Remanier l'inférence par la méthode d'autoamorçage à signes aléatoires (wild bootstrap) pour les grappes d'erreurs. L'inférence robuste par grappes est de plus en plus courante en recherche empirique. L'inférence comportant peu de grappes est souvent réalisée à l'aide de la méthode d'autoamorçage à signes aléatoires. Avec les poids de la méthode d'autoamorçage conventionnelle, l'ensemble de valeurs p valides peut créer des ambiguïtés dans l'inférence. J'examine plusieurs modifications à la procédure de la méthode d'autoamorçage pour résoudre ces ambiguïtés. La méthode de Monte Carlo fournit des données probantes indiquant qu'à la fois une nouvelle distribution du poids d'autoamorçage en six points et une approche de l'estimation par la méthode du noyau améliorent la fiabilité de l'inférence. Un court exemple empirique souligne les répercussions de ces constatations.