Luôn báo cáo lỗi tiêu chuẩn mạnh mẽ (trắng)?

Angrist và Pischke đã đề xuất rằng Robust (nghĩa là mạnh mẽ đối với sự không đồng nhất hoặc phương sai không đồng đều) Các lỗi tiêu chuẩn được báo cáo là một vấn đề tất nhiên thay vì kiểm tra nó. Hai câu hỏi:

1. Điều gì có tác động đến các lỗi tiêu chuẩn khi làm như vậy khi có sự đồng nhất?
2. Có ai thực sự làm điều này trong công việc của họ?

Sử dụng các lỗi tiêu chuẩn mạnh mẽ đã trở thành thông lệ trong kinh tế. Các lỗi tiêu chuẩn mạnh mẽ thường lớn hơn các lỗi tiêu chuẩn không mạnh mẽ (tiêu chuẩn?), Vì vậy thực tiễn có thể được xem là một nỗ lực để bảo thủ.

Trong các mẫu lớn ( ví dụ: nếu bạn đang làm việc với dữ liệu Điều tra dân số với hàng triệu quan sát hoặc bộ dữ liệu với "chỉ" hàng nghìn quan sát), các thử nghiệm không đồng nhất sẽ gần như chắc chắn cho kết quả dương tính, vì vậy phương pháp này là phù hợp.

Một phương tiện khác để chống lại sự không đồng nhất là bình phương có trọng số nhỏ nhất, nhưng cách tiếp cận này đã bị xem thường vì nó thay đổi các ước tính cho các tham số, không giống như việc sử dụng các lỗi tiêu chuẩn mạnh. Nếu trọng lượng của bạn không chính xác, ước tính của bạn bị sai lệch. Tuy nhiên, nếu trọng lượng của bạn là đúng, bạn sẽ nhận được các lỗi tiêu chuẩn nhỏ hơn ("hiệu quả hơn") so với OLS với các lỗi tiêu chuẩn mạnh.

Trong phần Giới thiệu Kinh tế lượng (Woolridge, phiên bản 2009 trang 268) câu hỏi này được giải quyết. Woolridge nói rằng khi sử dụng các lỗi tiêu chuẩn mạnh, các thống kê t thu được chỉ có các phân phối tương tự như các phân phối t chính xác nếu kích thước mẫu lớn. Nếu kích thước mẫu nhỏ, các thống kê t thu được bằng hồi quy mạnh có thể có các phân phối không gần với phân phối t và điều này có thể gây ra suy luận.

Các lỗi tiêu chuẩn mạnh mẽ cung cấp các ước tính lỗi tiêu chuẩn không thiên vị theo độ không đồng nhất. Có tồn tại một số sách văn bản thống kê cung cấp một cuộc thảo luận lớn và dài về các lỗi tiêu chuẩn mạnh mẽ. Trang web sau đây cung cấp một bản tóm tắt toàn diện về các lỗi tiêu chuẩn mạnh mẽ:

https: // ec economtheoryblog.com/2016/08/07/robust-stiteria-errors/

Trở lại với câu hỏi của bạn. Sử dụng các lỗi tiêu chuẩn mạnh mẽ không phải là không có. Theo Woolridge (phiên bản 2009, trang 271) sử dụng các lỗi tiêu chuẩn mạnh, các thống kê t thu được chỉ có các phân phối tương tự như các phân phối t chính xác nếu kích thước mẫu lớn. Nếu kích thước mẫu nhỏ, các số liệu thống kê t thu được bằng hồi quy mạnh có thể có các phân phối không gần với phân phối t. Điều này có thể đưa ra suy luận. Hơn nữa, trong trường hợp đồng nhất, các lỗi tiêu chuẩn mạnh vẫn không thiên vị. Tuy nhiên, chúng không hiệu quả. Đó là, lỗi tiêu chuẩn thông thường chính xác hơn lỗi tiêu chuẩn mạnh mẽ. Cuối cùng, sử dụng các lỗi tiêu chuẩn mạnh mẽ là cách làm phổ biến trong nhiều lĩnh vực học thuật.

Có rất nhiều lý do để tránh sử dụng các lỗi tiêu chuẩn mạnh mẽ. Về mặt kỹ thuật những gì xảy ra là, phương sai tăng trọng số theo trọng số mà bạn không thể chứng minh trong thực tế. Do đó, roubustness chỉ là một công cụ mỹ phẩm. Nói chung bạn nên mỏng về việc thay đổi mô hình. Có rất nhiều ý nghĩa để giải quyết vấn đề không đồng nhất theo cách tốt hơn là chỉ khắc phục vấn đề xảy ra từ dữ liệu của bạn. Lấy nó làm một dấu hiệu để chuyển đổi mô hình. Câu hỏi liên quan chặt chẽ đến câu hỏi làm thế nào để đối phó với các ngoại lệ. Mọi người chỉ cần xóa chúng để có kết quả tốt hơn, gần như giống nhau khi sử dụng các lỗi tiêu chuẩn mạnh mẽ, chỉ trong một bối cảnh khác.

Tôi nghĩ rằng Lỗi tiêu chuẩn trắng và Lỗi tiêu chuẩn được tính theo cách "thông thường" (ví dụ: Hessian và / hoặc OPG trong trường hợp có khả năng tối đa) là tương đương về mặt không đồng nhất trong trường hợp đồng nhất hóa?

Chỉ khi có sự không đồng nhất thì lỗi tiêu chuẩn "bình thường" sẽ không phù hợp, điều đó có nghĩa là Lỗi tiêu chuẩn trắng phù hợp với hoặc không có sự không đồng nhất, nghĩa là ngay cả khi mô hình của bạn là homoskedastic.

Tôi thực sự không thể nói về 2, nhưng tôi không hiểu lý do tại sao người ta không muốn tính SE trắng và đưa vào kết quả.

Tôi có một cuốn sách giáo khoa có tên Giới thiệu về Kinh tế lượng, tái bản lần 3. bởi Stock và Watson đã đọc, "nếu các lỗi là không đồng nhất, thì thống kê t được tính bằng cách sử dụng lỗi tiêu chuẩn chỉ có homoskedasticity không có phân phối chuẩn thông thường, ngay cả trong các mẫu lớn." Tôi tin rằng bạn không thể thực hiện kiểm tra suy luận / giả thuyết thích hợp mà không thể cho rằng thống kê t của bạn được phân phối như tiêu chuẩn thông thường. Tôi rất tôn trọng Wooldridge (thực tế, lớp cấp độ sau đại học của tôi cũng đã sử dụng cuốn sách của anh ấy) vì vậy tôi tin rằng những gì anh ấy nói về các chỉ số t sử dụng SE mạnh mẽ đòi hỏi các mẫu lớn phải phù hợp là hoàn toàn chính xác, nhưng tôi nghĩ chúng tôi thường phải giải quyết yêu cầu mẫu lớn và chúng tôi chấp nhận điều đó. Tuy nhiên, thực tế là việc sử dụng các SE không mạnh mẽ sẽ không cung cấp chỉ số t với phân phối chuẩn thông thường phù hợpngay cả khi bạn có một mẫu lớn tạo ra một thách thức lớn hơn nhiều để vượt qua.