Heteroskedasticity, Autocorrelation, en Robuuste standaardfouten

Een coëfficiënt is een puntschatting van één monster; de standaardfout benadert hoe die schatter zou schommelen als het datagenererende proces zou worden herhaald.

De cijfers, p-waarden en betrouwbaarheidsintervallen hangen af van deze schatting van de covariumcellen, zodat dezelfde coëfficiënt kan leiden tot verschillende conclusies onder een ander afhankelijkheidsmodel.

Een coëfficiëntstandaardfout is niet de volatiliteit van het actief of de rests standaardafwijking, maar is ook afhankelijk van het ontwerp en de effectieve steekproefgrootte.

Onder heteroskedasticity is de voorwaardelijke variatie van de verstoring niet constant in de waarden of toestanden van de weersovertreder.

Indien exogeniteit geldig blijft, kunnen OLS coëfficiënten nog steeds consistent zijn, terwijl klassieke standaardfouten die onder gelijke variantie worden berekend, fout kunnen zijn.

White's heteroskedasticity-consistent covourace estimator gebruikt observation-level kwadraat restbijdragen om grote monster onzekerheid weer te schatten.

Autocorruptie betekent verstoringen op verschillende data hebben niet-nul covouriteit; positieve afhankelijkheid kan een onafhankelijkheid berekening overstaat effectieve informatie.

Overlappende rendementen, langzaam geabsorbeerde schokken, kalenderaggregatie en aanhoudende risicostaten zijn gemeenschappelijke financiële bronnen.

Het toevoegen van vertragingen verandert het voorwaardelijke gemiddelde model, terwijl het veranderen van alleen de covariumschatting veranderingen gevolg; ze zijn niet verwisselbare remedies.

White-type schatters passen bij transversale instellingen die onafhankelijkheid behouden tussen observaties terwijl elke observatie een andere variantie kan hebben.

Newey .West HAC gewichten monster autocoovariums door een gekozen kernel en maximale vertraging om tijd-serie heteroskedasticity en seriële correlatie mogelijk te maken.

Gecllusterde standaardfouten maken een brede afhankelijkheid binnen een gedefinieerde onderneming, datum of andere cluster mogelijk, maar vereisen onafhankelijkheid tussen clusters en genoeg clusters.

Een te korte HAC-vertraging mist de resterende afhankelijkheid, terwijl een te lange vertraging lawaai toevoegt, zodat frequentie en de economische overlapstructuur de keuze zouden moeten motiveren.

Correcties zoals HC0 door HC3 reageren verschillend op hefboomwerking en vrijheidsgraden, en hun verschillen kunnen belangrijk zijn in kleine monsters.

Weinig of zeer ongelijke clusters kunnen gewone asymptotische benaderingen onbetrouwbaar maken, waarbij eindige-steekproefcorrecties of alternatieve gevolgtrekkingen worden gevraagd.

Maandelijkse factor regressies verhogen de seriële afhankelijkheid, corporate panels verhogen de afhankelijkheid binnen de onderneming, en cross-asset vergelijkingen op een datum veroorzaken gemeenschappelijke-date schokken.

Tweerichtingsclustering kan een kandidaat zijn wanneer de afhankelijkheid van vaste en datum naast elkaar staat, maar het aantal clusters langs beide dimensies moet dit ondersteunen.

Het overlappen van gebeurtenisvensters of hergebruikte portefeuilles kan veel minder onafhankelijke informatie achterlaten dan het nominale observatieaantal suggereert.

Rapporteer de HC variant, cluster variabele en telling, of HAC kernel, maximale vertraging, en eindige-steekproef aanpassing naast de coëfficiënt schatting.

Laat zien hoe intervallen veranderen onder verschillende economisch verdedigbare afhankelijkheidsstructuren in plaats van dat één covouriale keuze als automatisch wordt voorgesteld.

Vermeld dat robuuste standaardfouten de coëfficiënt, steekproefselectie, meting, functionele vorm en identificatieaannamen ongewijzigd laten.