始终报告鲁棒（白色）标准错误？

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：

1. 当存在同方差时，对标准误差有何影响？
2. 有人在工作中实际这样做吗？

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。

有很多原因要避免使用可靠的标准错误。从技术上讲，发生的情况是方差由您在现实中无法证明的权重加权。因此，鲁棒性只是一种修饰工具。通常，您应该考虑更改模型。以更好的方式处理异质性有很多含义，而不仅仅是解决数据中出现的问题。将其视为切换模型的标志。这个问题与如何处理离群值密切相关。SOme员工只是删除它们以获得更好的结果，而在其他情况下，使用健壮的标准错误则几乎相同。

我以为白色标准误差和以“正常”方式计算的标准误差（例如，在最大似然情况下为Hessian和/或OPG）在同方差情况下渐近等效？

仅当存在异方差时，“正常”标准误差才是不合适的，这意味着在有或没有异方差的情况下，“白色标准误差”都是适用的，也就是说，即使您的模型是同方差的。

我不能真正谈论2，但是我不明白为什么不想计算White SE并将其包括在结果中。

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。