Segnala sempre errori standard (bianchi) affidabili?

È stato suggerito da Angrist e Pischke che errori standard robusti (cioè robusti all'eteroschedasticità o alle disparità di differenze) sono segnalati come una cosa ovvia piuttosto che testarli. Due domande:

1. Qual è l'impatto sugli errori standard nel farlo in caso di omoschedasticità?
2. Qualcuno lo fa davvero nel loro lavoro?

L'uso di solidi errori standard è diventato una pratica comune in economia. Gli errori standard solidi sono in genere più grandi degli errori standard non standard (standard?), Quindi la pratica può essere vista come uno sforzo per essere conservativi.

In grandi campioni ( ad esempio, se si lavora con i dati del censimento con milioni di osservazioni o set di dati con "solo" migliaia di osservazioni), i test di eteroschedasticità diventeranno quasi sicuramente positivi, quindi questo approccio è appropriato.

Un altro mezzo per combattere l'eteroschedasticità sono i minimi quadrati ponderati, ma questo approccio è stato preso in considerazione perché modifica le stime dei parametri, a differenza dell'uso di solidi errori standard. Se i pesi non sono corretti, le stime sono distorte. Se i pesi sono corretti, tuttavia, si ottengono errori standard più "piccoli" (più efficienti) di OLS con robusti errori standard.

In Introductory Econometrics (Woolridge, edizione 2009, pagina 268) questa domanda viene affrontata. Woolridge afferma che quando si usano errori standard solidi, le statistiche t ottenute hanno distribuzioni simili alle esatte distribuzioni t se la dimensione del campione è grande. Se la dimensione del campione è piccola, le t-stats ottenute usando una regressione robusta potrebbero avere distribuzioni che non sono vicine alla distribuzione t e questo potrebbe scartare l'inferenza.

Gli errori standard robusti forniscono stime degli errori standard imparziali sotto l'eteroscedasticità. Esistono diversi libri di testo statistici che forniscono una lunga e ampia discussione su solidi errori standard. Il seguente sito fornisce un riepilogo in qualche modo completo sugli errori standard robusti:

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

Tornando alle tue domande. L'uso di solidi errori standard non è privo di avvertenze. Secondo Woolridge (edizione 2009, pagina 268) che utilizza solidi errori standard, le statistiche t ottenute hanno distribuzioni simili alle esatte distribuzioni t se la dimensione del campione è grande. Se la dimensione del campione è piccola, le t-stats ottenute usando una regressione robusta potrebbero avere distribuzioni che non sono vicine alla distribuzione t. Questo potrebbe buttare giù l'inferenza. Inoltre, in caso di omoscedasticità, gli errori standard solidi sono ancora imparziali. Tuttavia, non sono efficienti. Ossia, gli errori standard convenzionali sono più precisi degli errori standard robusti. Infine, l'utilizzo di solidi errori standard è una pratica comune in molti campi accademici.

Ci sono molte ragioni per evitare l'uso di solidi errori standard. Tecnicamente ciò che accade è che le varianze vengono ponderate con pesi che non si possono provare nella realtà. Quindi la roubustness è solo uno strumento cosmetico. In generale, dovresti assottigliare nel cambiare il modello. Ci sono molte implicazioni per affrontare l'eterogenità in un modo migliore rispetto al solo dipingere il problema che si verifica dai tuoi dati. Prendilo come un segno per cambiare il modello. La domanda è strettamente correlata alla domanda su come gestire i valori anomali. Alcune persone semplicemente li eliminano per ottenere risultati migliori, è quasi lo stesso quando si usano errori standard robusti, solo in un altro contesto.

Pensavo che l'errore standard bianco e l'errore standard calcolati nel modo "normale" (ad esempio, Hessian e / o OPG nel caso della massima probabilità) fossero asintoticamente equivalenti nel caso dell'omoschedasticità?

Solo se c'è eteroschedasticità l'errore standard "normale" sarà inappropriato, il che significa che l'errore standard bianco è appropriato con o senza eteroschedasticità, vale a dire, anche quando il modello è omoschedastico.

Non posso davvero parlare di 2, ma non vedo il motivo per cui non si vorrebbe calcolare il White SE e includerlo nei risultati.

Ho un libro di testo intitolato Introduzione all'econometria, 3a ed. di Stock e Watson che recita "se gli errori sono eteroschedastici, la statistica t calcolata utilizzando l'errore standard solo omoschedasticità non ha una distribuzione normale standard, anche in grandi campioni". Credo che non si possano fare test di inferenza / ipotesi adeguati senza essere in grado di assumere che la propria statistica t sia distribuita come normale standard. Ho molto rispetto per Wooldridge (in effetti, anche la mia classe di livello universitario ha usato il suo libro), quindi credo che ciò che dice sulle statistiche t che usano solidi SE richiedono campioni di grandi dimensioni per essere appropriati sia sicuramente corretto, ma penso che noi spesso hanno a che fare con il requisito di grandi campioni e lo accettiamo. Tuttavia, il fatto che l'utilizzo di SE non robusti non fornirà un t-stat con la distribuzione normale standard adeguataanche se hai un grande campione crea una sfida molto più grande da superare.