在计量经济学中,我们可以说非正态违反了古典正态线性回归模型的条件,而异方差违反了CNLR和古典线性回归模型的假设。
但是那些说“ ...违反OLS”的说法也是有道理的:“ 普通最小二乘”这个名称直接来自高斯,实质上是指正常错误。换句话说,“ OLS”不是最小二乘估计的缩写(这是更通用的原理和方法),而是CNLR的缩写。
好的,这就是历史,术语和语义。我理解《任择议定书》问题的核心如下:“如果找到了不存在的情况的解决方案,为什么我们要强调理想?” (因为CNLR假设是理想的,因为它们提供了“现成的”出色的最小二乘估计属性,并且无需求助于渐近结果。还请记住,当误差正常时,OLS是最大可能性)。
作为理想,这是开始教学的好地方。这是我们在教授任何类型的主题时始终要做的工作:“简单”情况是“理想”情况,没有现实生活和实际研究中实际会遇到的复杂性,也没有明确的解决方案。
这就是我在OP的帖子中发现的问题:他写了一些健壮的标准错误和引导程序,好像它们是“高级替代品”,或者是针对缺少正在讨论的上述假设的万无一失的解决方案,此外,OP为其撰写了文章
“ ..人们不必见面的假设”
为什么?因为有一些处理情况的方法,这些方法固然有一定的效用,但远非理想吗?引导和异方差稳健的标准差都没有了 -如果他们确实是解决方案,他们会成为主导模式,发送CLR和CNLR成为历史。但事实并非如此。
因此,我们从保证我们认为重要的估计器属性的一组假设开始(这是另一个讨论,是否指定为期望的属性确实确实是应有的属性),以便我们可以看到任何违反它们的行为都有这些后果无法通过我们发现的方法完全抵消,以应对这些假设的缺失。从科学上讲,传达“我们可以引导自己迈向问题的真相”的感觉真的很危险-因为,简单地说,我们不能。
因此,它们仍然是解决问题的不完善解决方案,而不是解决问题的替代方法和/或绝对优越的方法。因此,我们首先要教无问题的情况,然后指出可能的问题,然后讨论可能的解决方案。否则,我们会将这些解决方案提升到它们实际上没有的状态。