所讨论的“三明治”是由期望信息定义的两块面包,其中包含由观察信息定义的肉。在这里和这里查看我的评论。对于线性回归,估计方程为:
ü(β)=XŤ(是-XŤβ)
期望的信息(面包)为:
A =∂ü(β)∂β= - (XŤX)
观察到的信息(肉)为:
B = E(U(β)U(β)Ť)=XŤ(是-XŤβ)(是-XŤβ)ŤX
请注意,当满足纯随机性,独立数据假设时,内部项是常数残差的对角线,则由给出的三明治协方差估计量是通常的线性回归协方差矩阵其中是残差的方差。但是,这很严格。通过放宽围绕残差矩阵所涉及的假设,您可以得到相当广泛的估计量:。一个− 1乙一个− 1σ2(XŤX)− 1σ2n × n
R = (Y-XŤβ)(是-XŤβ)
vcovHC
即使数据不是独立的,“ HC0” 估计量也是一致的。因此,我不会说我们“假设”残差是独立的,但我会说我们使用“有效的独立协方差结构”。然后用残差的对角线替换矩阵[R
[R我我= (ÿ一世- βX一世。)2, 其他0
除了在小样本下(通常声称小于40)外,该估算器的效果非常好。HC1-3是各种有限的样本校正。HC3通常是性能最好的。
但是,如果存在自回归效应,则的非对角线条目为非零,因此基于常用的自回归结构生成了比例协方差矩阵。这就是“ vcovHAC”的基本原理。这里,产生了非常灵活和通用的方法来估计自回归效应:详细信息可能不在您的问题范围内。“ meatHAC”功能是常规功能:默认方法是Andrews。Newey-West是一般自回归误差估计器的特例。这些方法解决了以下两个问题之一:1.“相邻”观测值之间的相关性衰减速率是什么?2.两个观测值之间的合理距离是多少?如果您有平衡的面板数据,则此协方差估计量会过大。Ťgee
gee
而是将协方差结构指定为AR-1
或类似。
至于使用哪种,取决于数据分析和科学问题的性质。我不建议选择所有类型并选择最合适的类型,因为这是一个多重测试问题。正如我之前提到的那样,即使在存在自回归效应的情况下,vcovHC估计量也是一致的,因此您可以在各种情况下使用和证明“工作独立性相关模型”。