Heteroskedasticity, Autocorrelation और Robust Standard Errors

Coefficient एक sample से मिला point estimate है; standard error अनुमान लगाता है कि data-generating process repeat होने पर estimator कैसे fluctuate करेगा

t statistics, p-values और confidence intervals इसी covariance estimate पर depend करते हैं, इसलिए अलग dependence model में वही coefficient अलग inference दे सकता है

Coefficient standard error asset की volatility या residual standard deviation नहीं है; यह design और effective sample size पर भी निर्भर करता है

Heteroskedasticity में disturbance की conditional variance regressor values या states के across constant नहीं होती

यदि exogeneity valid रहे, तो OLS coefficients consistent रह सकते हैं, जबकि equal variance मानकर निकाले classical standard errors गलत हो सकते हैं

White का heteroskedasticity-consistent covariance estimator observation-level squared residual contributions से large-sample uncertainty फिर estimate करता है

Autocorrelation का अर्थ है अलग dates पर disturbances की covariance nonzero है; positive dependence independence calculation को effective information overstate करा सकती है

Overlapping returns, slowly absorbed shocks, calendar aggregation और persistent risk states common financial sources हैं

Lags जोड़ना conditional mean model बदलता है, जबकि केवल covariance estimator बदलना inference बदलता है; दोनों interchangeable remedies नहीं हैं

White-type estimators ऐसे cross-sectional settings के लिए उपयुक्त हैं जहाँ observations independent रहें लेकिन हर observation की variance अलग हो सके

Newey–West HAC chosen kernel और maximum lag के जरिए sample autocovariances को weight करता है और time-series heteroskedasticity तथा serial correlation allow करता है

Clustered standard errors defined firm, date या अन्य cluster के भीतर broad dependence allow करते हैं, लेकिन clusters के across independence और पर्याप्त clusters चाहिए

बहुत छोटा HAC lag remaining dependence miss करता है, बहुत बड़ा lag noise जोड़ता है; frequency और economic overlap structure choice को motivate करें

HC0 से HC3 तक corrections leverage और degrees of freedom पर अलग respond करते हैं, और small samples में difference महत्वपूर्ण हो सकता है

Few या बहुत unequal clusters ordinary asymptotic approximations को unreliable बना सकते हैं और finite-sample corrections या alternative inference माँग सकते हैं

Monthly factor regressions serial dependence, corporate panels within-firm dependence और एक date पर cross-asset comparisons common-date shocks बढ़ा सकते हैं

Firm और date dependence साथ हो तो two-way clustering candidate हो सकती है, लेकिन दोनों dimensions में clusters की संख्या पर्याप्त होनी चाहिए

Overlapping event windows या reused portfolios nominal observation count से बहुत कम independent information छोड़ सकते हैं

Coefficient estimate के साथ HC variant, cluster variable और count, या HAC kernel, maximum lag और finite-sample adjustment report करें

एक covariance choice को automatic मानने के बजाय कई economically defensible dependence structures में intervals कैसे बदलते हैं दिखाएँ

बताएँ कि robust standard errors coefficient, sample selection, measurement, functional form और identification assumptions को unchanged छोड़ते हैं