Immer robuste (weiße) Standardfehler melden?

Es wurde von Angrist und Pischke vorgeschlagen, dass robuste (dh robust gegenüber Heteroskedastizität oder ungleichen Varianzen) Standardfehler als selbstverständlich gemeldet werden, anstatt sie zu testen. Zwei Fragen:

1. Welche Auswirkungen hat dies auf die Standardfehler bei Homoskedastizität?
2. Tut dies tatsächlich jemand in seiner Arbeit?

Die Verwendung robuster Standardfehler ist in der Wirtschaft allgemein üblich geworden. Robuste Standardfehler sind in der Regel größer als nicht robuste (Standard-?) Standardfehler, daher kann die Praxis als konservativ angesehen werden.

In großen Proben ( zB wenn Sie mit Volkszählungsdaten mit Millionen von Beobachtungen oder Datensätzen mit "nur" Tausenden von Beobachtungen arbeiten) werden Heteroskedastizitätstests mit ziemlicher Sicherheit positiv ausfallen, sodass dieser Ansatz angemessen ist.

Ein weiteres Mittel zur Bekämpfung der Heteroskedastizität sind gewichtete kleinste Fehlerquadrate. Dieser Ansatz wird jedoch häufig kritisiert, da er im Gegensatz zur Verwendung robuster Standardfehler die Schätzungen für Parameter ändert. Wenn Ihre Gewichte falsch sind, sind Ihre Schätzungen voreingenommen. Wenn Ihre Gewichte jedoch stimmen, erhalten Sie kleinere ("effizientere") Standardfehler als OLS mit robusten Standardfehlern.

In Introductory Econometrics (Woolridge, Ausgabe 2009, Seite 268) wird diese Frage behandelt. Woolridge sagt, dass bei Verwendung robuster Standardfehler die erhaltenen t-Statistiken nur Verteilungen aufweisen, die den genauen t-Verteilungen ähnlich sind, wenn die Stichprobengröße groß ist. Wenn die Stichprobengröße klein ist, weisen die mithilfe robuster Regression erhaltenen t-Statistiken möglicherweise Verteilungen auf, die nicht nahe an der t-Verteilung liegen, und dies kann zu Schlussfolgerungen führen.

Robuste Standardfehler liefern unvoreingenommene Standardfehlerschätzungen unter Heteroskedastizität. Es gibt mehrere statistische Lehrbücher, die eine ausführliche und langwierige Diskussion über robuste Standardfehler bieten. Die folgende Site bietet eine einigermaßen umfassende Übersicht über robuste Standardfehler:

https://economictheoryblog.com/2016/08/07/robust-standard-errors/

Kommen wir auf Ihre Fragen zurück. Die Verwendung robuster Standardfehler ist nicht ohne Einschränkungen. Laut Woolridge (Ausgabe 2009, Seite 268), bei dem robuste Standardfehler verwendet werden, weisen die erhaltenen t-Statistiken nur Verteilungen auf, die den genauen t-Verteilungen bei großem Stichprobenumfang ähnlich sind. Wenn die Stichprobengröße klein ist, weisen die mit robuster Regression erhaltenen t-Statistiken möglicherweise Verteilungen auf, die nicht nahe an der t-Verteilung liegen. Dies könnte Rückschlüsse zulassen. Darüber hinaus sind robuste Standardfehler im Falle einer Homoskedastizität immer noch unverzerrt. Sie sind jedoch nicht effizient. Das heißt, herkömmliche Standardfehler sind genauer als robuste Standardfehler. Schließlich ist es in vielen akademischen Bereichen üblich, robuste Standardfehler zu verwenden.

Es gibt viele Gründe, robuste Standardfehler zu vermeiden. Technisch gesehen passiert, dass die Varianzen mit Gewichten gewichtet werden, die man in der Realität nicht nachweisen kann. Roubustness ist also nur ein kosmetisches Mittel. Im Allgemeinen sollten Sie über das Ändern des Modells nachdenken. Es gibt eine Menge Implikationen, um mit Heterogenität besser umzugehen, als nur das Problem, das aus Ihren Daten entsteht, zu überschreiben. Nehmen Sie es als Zeichen, um das Modell zu wechseln. Die Frage hängt eng mit der Frage zusammen, wie mit Ausreißern umgegangen werden soll. Einige Leute löschen sie einfach, um bessere Ergebnisse zu erzielen. Bei der Verwendung von robusten Standardfehlern ist dies fast dasselbe, nur in einem anderen Kontext.

Ich dachte, dass der weiße Standardfehler und der auf "normale" Weise berechnete Standardfehler (z. B. Hessisch und / oder OPG bei maximaler Wahrscheinlichkeit) bei Homoskedastizität asymptotisch gleichwertig sind?

Nur wenn eine Heteroskedastizität vorliegt, ist der "normale" Standardfehler unangemessen. Dies bedeutet, dass der weiße Standardfehler mit oder ohne Heteroskedastizität geeignet ist, auch wenn Ihr Modell homoskedastisch ist.

Ich kann nicht wirklich über 2 sprechen, aber ich verstehe nicht, warum man die White SE nicht berechnen und in die Ergebnisse einbeziehen möchte.

Ich habe ein Lehrbuch mit dem Titel Einführung in die Ökonometrie, 3. Auflage. von Stock und Watson, die lautet: "Wenn die Fehler heteroskedastisch sind, dann hat die t-Statistik, die unter Verwendung des Standardfehlers nur für Homoskedastizität berechnet wurde, selbst in großen Stichproben keine Standardnormalverteilung." Ich glaube, Sie können keine ordnungsgemäßen Inferenz- / Hypothesentests durchführen, ohne davon ausgehen zu können, dass Ihre t-Statistik als Standardnormal verteilt ist. Ich habe sehr viel Respekt vor Wooldridge (tatsächlich hat auch meine Abschlussklasse sein Buch benutzt), und ich glaube, was er über die t-stats mit robusten SEs sagt, erfordert große Stichproben, um angemessen zu sein, ist definitiv richtig, aber ich denke, wir müssen sich oft mit der Anforderung einer großen Stichprobe befassen, und das akzeptieren wir. Die Tatsache, dass nicht robuste SEs verwendet werden, ergibt jedoch keinen t-stat mit der richtigen StandardnormalverteilungSelbst wenn Sie eine große Stichprobe haben, ist die zu bewältigende Herausforderung viel größer.