Selalu Laporkan Kesalahan Standar Kuat (Putih)?


20

Telah disarankan oleh Angrist dan Pischke bahwa Robust (yaitu kuat terhadap heteroskedastisitas atau varians yang tidak setara) Kesalahan Standar dilaporkan sebagai hal yang biasa daripada pengujian untuk itu. Dua pertanyaan:

  1. Apa dampaknya terhadap kesalahan standar dalam melakukan hal tersebut ketika ada homoskedastisitas?
  2. Apakah ada yang benar-benar melakukan ini dalam pekerjaan mereka?

Saya tidak yakin apa yang Anda maksud dengan "Kesalahan Standar Kuat dilaporkan sebagai hal yang biasa" dari kesalahan standar apa? Anda mengatakan menguji untuk "itu" apa tes yang Anda bicarakan?
robin girard

1
Poin bagus .... Saya sedang berbicara tentang Kesalahan Standar koefisien regresi dalam regresi OLS dan masalah heteroskedastisitas. Pendekatan tradisional akan menguji keberadaan heteroskedastisitas menggunakan, misalnya, tes White atau tes Breusch Pagan. Jika heteroskedastisitas ditemukan maka seseorang akan melaporkan Kesalahan Standar yang Kuat, biasanya Kesalahan Standar Putih.
Graham Cookson

Apakah Anda akan memasang tautan ke Angrist dan Pischke.
csgillespie

1
Angrist, Joshua D. dan Jorn-Steffen Pischke. 2009. Ekonometrik Paling Tidak Berbahaya: Sahabat Seorang Empiriis. Princeton University Press: Princeton, NJ.
Charlie

Jawaban:


10

Menggunakan kesalahan standar yang kuat telah menjadi praktik umum dalam ekonomi. Kesalahan standar yang kuat biasanya lebih besar daripada kesalahan standar yang tidak kuat (standar?), Sehingga praktik ini dapat dipandang sebagai upaya untuk bersikap konservatif.

Dalam sampel besar ( misalnya, jika Anda bekerja dengan data Sensus dengan jutaan pengamatan atau kumpulan data dengan "hanya" ribuan pengamatan), tes heteroskedastisitas hampir pasti akan berubah positif, sehingga pendekatan ini tepat.

Cara lain untuk memerangi heteroskedastisitas adalah kuadrat terkecil tertimbang, tetapi pendekatan ini dipandang rendah karena mengubah perkiraan parameter, tidak seperti penggunaan kesalahan standar yang kuat. Jika bobot Anda salah, taksiran Anda bias. Namun, jika bobot Anda benar, Anda mendapatkan kesalahan standar yang lebih kecil ("lebih efisien") daripada OLS dengan kesalahan standar yang kuat.


1
Seberapa luaskah kesalahan standar yang kuat daripada kesalahan standar biasa ketika asumsi OLS tidak dilanggar?
russellpierce

1
Tidak selalu lebih luas sama sekali - bahkan terkadang lebih sempit. Lihat posting terbaru di blog untuk buku Angrist & Pischke: mostharmlesseconometrics.com/2010/12/…
onestop

1
+1, dengan peringatan @ onestop di komentar di atas bahwa se se yang kuat bisa jadi lebih besar atau lebih kecil, meskipun biasanya kita mengharapkan mereka menjadi lebih besar dan dengan demikian kesalahan "konservatif" wrt tipe I. Dan ya, saya selalu menggunakan baik heteroskedastik atau cluster kuat se dalam pekerjaan saya, seperti halnya semua orang yang saya kenal.
Cyrus S

1
Tes untuk heteroskedastisitas tidak muncul signifikan bukan alasan untuk berhenti khawatir tentang heteroskedastisitas merusak OLS Anda - tes ini mungkin tidak memiliki banyak kekuatan, meskipun efeknya ada di sana.
tamu

1
Alasan yang baik untuk tidak mencoba WLS adalah bahwa, sangat sering, Anda tidak tahu apa hubungan mean-variance yang sebenarnya - dan mengintip data yang dipilih dapat membatalkan inferensi freqentist Anda. Seperti Cyrus, saya menggunakan se kuat di semua tempat.
tamu

6

Dalam Introductory Econometrics (Woolridge, 2009 edisi halaman 268) pertanyaan ini ditujukan. Woolridge mengatakan bahwa ketika menggunakan kesalahan standar yang kuat, t-statistik yang diperoleh hanya memiliki distribusi yang mirip dengan t-distribusi yang tepat jika ukuran sampel besar. Jika ukuran sampel kecil, t-statistik yang diperoleh dengan menggunakan regresi yang kuat mungkin memiliki distribusi yang tidak dekat dengan distribusi t dan ini bisa membuang kesimpulan.


6

Kesalahan standar yang kuat memberikan estimasi kesalahan standar yang tidak bias di bawah heteroskedastisitas. Ada beberapa buku teks statistik yang menyediakan diskusi besar dan panjang tentang kesalahan standar yang kuat. Situs berikut menyediakan ringkasan yang agak komprehensif tentang kesalahan standar yang kuat:

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

Kembali ke pertanyaan Anda. Menggunakan kesalahan standar yang kuat bukan tanpa peringatan. Menurut Woolridge (edisi 2009, halaman 268) menggunakan kesalahan standar yang kuat, t-statistik yang diperoleh hanya memiliki distribusi yang mirip dengan distribusi t yang tepat jika ukuran sampel besar. Jika ukuran sampel kecil, t-statistik yang diperoleh menggunakan regresi kuat mungkin memiliki distribusi yang tidak dekat dengan distribusi t. Ini bisa membuang kesimpulan. Selain itu, dalam kasus homoseksualitas, kesalahan standar yang kuat masih tidak bias. Namun, mereka tidak efisien. Artinya, kesalahan standar konvensional lebih tepat daripada kesalahan standar yang kuat. Akhirnya, menggunakan kesalahan standar yang kuat adalah praktik umum di banyak bidang akademik.


5

Ada banyak alasan untuk menghindari menggunakan kesalahan standar yang kuat. Secara teknis apa yang terjadi adalah, bahwa varians dibobot oleh bobot yang tidak dapat Anda buktikan pada kenyataannya. Jadi keragu-raguan hanyalah alat kosmetik. Secara umum Anda harus tahu tentang mengubah model. Ada banyak implikasi untuk menangani heterogenitas dengan cara yang lebih baik daripada sekadar melukiskan masalah yang terjadi dari data Anda. Ambillah sebagai tanda untuk mengganti model. Pertanyaannya dekat dengan pertanyaan bagaimana menangani outlier. Beberapa orang hanya menghapusnya untuk mendapatkan hasil yang lebih baik, hampir sama ketika menggunakan kesalahan standar yang kuat, hanya dalam konteks lain.


Ini saran yang benar-benar buruk, selalu gunakan kesalahan yang kuat karena konsisten dalam kedua kasus
Repmat

3

Saya berpikir bahwa Kesalahan Standar Putih dan Kesalahan Standar dihitung dengan cara "normal" (misalnya, Hessian dan / atau OPG dalam hal kemungkinan maksimum) secara asimptotik setara dalam kasus homoskedastisitas?

Hanya jika ada heteroskedastisitas maka kesalahan standar "normal" tidak sesuai, yang berarti bahwa Kesalahan Standar Putih sesuai dengan atau tanpa heteroskedastisitas, yaitu, bahkan ketika model Anda homoskedastik.

Saya benar-benar tidak dapat berbicara tentang 2, tetapi saya tidak melihat mengapa orang tidak mau menghitung SE Putih dan memasukkan dalam hasil.


2

Saya memiliki buku teks berjudul Pengantar Ekonometrika, edisi ke-3. oleh Stock dan Watson yang berbunyi, "jika kesalahan adalah heteroskedastik, maka t-statistik dihitung menggunakan homoskedasticity-only standard error tidak memiliki distribusi normal standar, bahkan dalam sampel besar." Saya percaya Anda tidak dapat melakukan inferensi / pengujian hipotesis yang tepat tanpa dapat mengasumsikan t-statistik Anda didistribusikan sebagai standar normal. Saya memiliki BANYAK rasa hormat untuk Wooldridge (pada kenyataannya, kelas tingkat pascasarjana saya juga menggunakan bukunya) jadi saya percaya apa yang dia katakan tentang t-statistik menggunakan SE yang kuat membutuhkan sampel besar agar sesuai sudah benar, tapi saya pikir kami sering harus berurusan dengan persyaratan sampel besar, dan kami menerimanya. Namun, fakta bahwa menggunakan SES yang tidak kuat tidak akan memberikan t-stat dengan distribusi normal standar yang tepatbahkan jika Anda memiliki sampel besar menciptakan tantangan yang jauh lebih besar untuk diatasi.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.