Angrist和Pischke已建议将稳健(即对异方差或不等方差具有鲁棒性)的标准误差报告为理所当然的事情,而不是对其进行测试。两个问题:
- 当存在同方差时,对标准误差有何影响?
- 有人在工作中实际这样做吗?
Angrist和Pischke已建议将稳健(即对异方差或不等方差具有鲁棒性)的标准误差报告为理所当然的事情,而不是对其进行测试。两个问题:
Answers:
使用鲁棒的标准误已成为经济学中的普遍做法。稳健的标准误差通常大于非稳健的(标准?)标准误差,因此可以将这种做法视为保守的尝试。
在大型样本中(例如,如果您正在使用具有数百万个观察值的普查数据或具有“仅”数千个观察值的数据集),则异方差测试几乎肯定会显示为阳性,因此这种方法是合适的。
消除异方差的另一种方法是加权最小二乘,但这种方法已被人们所忽视,因为它改变了参数的估计,这与使用可靠的标准误差不同。如果您的权重不正确,则您的估计有偏差。但是,如果权重正确,则与具有可靠标准误差的OLS相比,您会得到较小(“更有效”)的标准误差。
在《计量经济学概论》(Woolridge,2009年第268页)中,解决了此问题。伍尔里奇说,当使用鲁棒的标准误差时,如果样本量较大,则所获得的t统计量仅具有与确切t分布相似的分布。如果样本量很小,则使用稳健回归获得的t统计量可能具有不接近t分布的分布,这可能会推论出结论。
稳健的标准误差可提供异方差下的无偏标准误差估计。有几本统计教科书提供了关于健壮标准误差的大量且冗长的讨论。以下站点提供了一些有关鲁棒标准错误的全面概述:
https://economictheoryblog.com/2016/08/07/robust-standard-errors/
回到您的问题。使用可靠的标准错误并非没有警告。根据Woolridge(2009年版,第268页)使用稳健的标准误差,如果样本量较大,则获得的t统计量仅具有与确切t分布相似的分布。如果样本量较小,则使用稳健回归获得的t统计量可能具有不接近t分布的分布。这可能会引发推断。此外,在均方差的情况下,稳健的标准误差仍然没有偏见。但是,它们效率不高。即,常规标准误差比鲁棒标准误差更精确。最后,使用鲁棒的标准误差是许多学术领域的普遍做法。
我有一本名为《计量经济学概论》(第三版)的教科书。Stock和Watson的文章中写道:“如果误差是异方差的,那么即使是大样本,使用纯正方差标准误差计算的t统计量也不会具有标准正态分布。” 我相信,如果不能假设您的t统计量按标准正态分布,您就无法进行适当的推断/假设检验。我非常尊重Wooldridge(实际上,我的研究生班级也使用了他的书),所以我相信他所说的使用可靠的SE的t统计量需要正确的大样本是绝对正确的,但是我认为我们通常必须处理大样本需求,我们接受这一点。但是,使用非鲁棒的SE不会使t-stat具有正确的标准正态分布这一事实即使您的样本量很大,也要克服更大的挑战。