Heteroskedastizität, Autokorrelation und robuste Standardfehler

Ein Koeffizient ist eine Punktschätzung aus einer Stichprobe; sein Standardfehler nähert an, wie dieser Schätzer schwanken würde, wenn der datenerzeugende Prozess wiederholt würde.

t-Statistiken, p-Werte und Konfidenzintervalle hängen von dieser Kovarianzschätzung ab, daher kann derselbe Koeffizient unter einem anderen Abhängigkeitsmodell zu einer anderen Inferenz führen.

Der Standardfehler eines Koeffizienten ist weder die Volatilität des Vermögenswerts noch die Standardabweichung der Residuen und hängt außerdem von Design und effektiver Stichprobengröße ab.

Bei Heteroskedastizität ist die bedingte Varianz der Störung über Regressorwerte oder Zustände hinweg nicht konstant.

Bleibt Exogenität gültig, können OLS-Koeffizienten weiterhin konsistent sein, während klassische Standardfehler unter Annahme gleicher Varianz falsch sind.

Whites heteroskedastizitätskonsistenter Kovarianzschätzer nutzt quadrierte Residuenbeiträge auf Beobachtungsebene, um die Unsicherheit in großen Stichproben erneut zu schätzen.

Autokorrelation bedeutet, dass Störungen an verschiedenen Daten eine Kovarianz ungleich null haben; positive Abhängigkeit kann eine Unabhängigkeitsberechnung dazu bringen, die effektive Information zu überschätzen.

Überlappende Renditen, langsam absorbierte Schocks, Kalenderaggregation und anhaltende Risikozustände sind häufige finanzielle Quellen.

Das Hinzufügen von Lags verändert das Modell des bedingten Mittelwerts, während die Änderung nur des Kovarianzschätzers die Inferenz verändert; beides sind keine austauschbaren Maßnahmen.

Schätzer vom White-Typ eignen sich für Querschnittssituationen, die Unabhängigkeit zwischen Beobachtungen beibehalten und zugleich jeder Beobachtung eine andere Varianz erlauben.

Newey-West-HAC gewichtet Stichprobenautokovarianzen über einen gewählten Kernel und ein maximales Lag, um Heteroskedastizität und serielle Korrelation in Zeitreihen zuzulassen.

Geclusterte Standardfehler erlauben breite Abhängigkeit innerhalb eines definierten Unternehmens, Datums oder anderen Clusters, erfordern aber Unabhängigkeit zwischen Clustern und eine ausreichende Clusterzahl.

Ein zu kurzes HAC-Lag verfehlt verbleibende Abhängigkeit, ein zu langes Lag fügt Rauschen hinzu; daher sollten Frequenz und wirtschaftliche Überlappungsstruktur die Wahl begründen.

Korrekturen wie HC0 bis HC3 reagieren unterschiedlich auf Leverage und Freiheitsgrade, und ihre Unterschiede können in kleinen Stichproben wichtig sein.

Wenige oder sehr ungleiche Cluster können gewöhnliche asymptotische Approximationen unzuverlässig machen und finite-Stichproben-Korrekturen oder alternative Inferenz erfordern.

Monatliche Faktorregressionen werfen serielle Abhängigkeit auf, Unternehmenspanels erzeugen Abhängigkeit innerhalb eines Unternehmens, und Vergleiche mehrerer Assets an einem Tag erzeugen gemeinsame Datumsschocks.

Zweiweg-Clustering kann geeignet sein, wenn Unternehmens- und Datumsabhängigkeit zusammen auftreten, aber die Zahl der Cluster entlang beider Dimensionen muss dies tragen.

Überlappende Ereignisfenster oder wiederverwendete Portfolios können weit weniger unabhängige Informationen hinterlassen, als die nominelle Beobachtungszahl vermuten lässt.

Berichte HC-Variante, Clustervariable und -anzahl oder HAC-Kernel, maximales Lag und finite-Stichproben-Anpassung zusammen mit der Koeffizientenschätzung.

Zeige, wie sich Intervalle unter mehreren ökonomisch vertretbaren Abhängigkeitsstrukturen verändern, statt eine Kovarianzwahl als automatisch darzustellen.

Sage ausdrücklich, dass robuste Standardfehler Koeffizient, Stichprobenauswahl, Messung, funktionale Form und Identifikationsannahmen unverändert lassen.