对空间或网络数据的分析现在非常普遍。然而，统计推断是具有挑战性的，因为未观察到的异质性可能与相邻观测单位相关。我们为OLS和2SLS的方差协方差矩阵(VCV)开发了一个估计器，允许在空间或网络结构和跨时间周期的观测中误差的任意依赖。作为概念的证明，我们在基于美国大都市地区的地理空间设置中进行蒙特卡罗模拟。基于我们的VCV估计量的检验渐近正确地拒绝原假设，而传统的推理方法，例如那些没有聚类或基于行政单位的聚类，往往拒绝原假设。我们还在网络环境中提供基于IDEAS合作结构和科学表现的真实数据的模拟。蒙特卡罗结果再次表明，即使在中等大小的样本中，我们的估计量也能在正确的显著性水平上产生推理，并且它在网络中优于其他常用的推理方法。我们在以下方面为应用研究人员提供指导:(i)是否包括潜在相关的回归量和(ii)簇带宽的选择。最后，我们提供了一个配套的统计包(acreg)，使用户能够调整OLS和2SLS系数的标准误差，以解释任意依赖关系。