Heterocedasticidade, autocorrelação e erros-padrão robustos
Entenda por que os erros-padrão clássicos falham, o que os estimadores White, clusterizados e HAC de Newey–West permitem, como selecioná-los e onde a inferência robusta para nos dados financeiros.
Resposta direta
Um erro-padrão modela quanto um coeficiente estimado variaria entre amostras repetidas. Heterocedasticidade significa que a variância do erro muda com as condições observadas, enquanto autocorrelação significa que erros em momentos diferentes estão relacionados. Erros-padrão de White permitem heterocedasticidade, Newey–West HAC permite heterocedasticidade e dependência serial limitada, e erros clusterizados permitem dependência ampla dentro de grupos escolhidos. Nenhum deles corrige endogeneidade ou uma equação de regressão mal especificada
Erros-padrão medem a variação do estimador
Um coeficiente é uma estimativa pontual de uma amostra; seu erro-padrão aproxima como esse estimador flutuaria se o processo gerador de dados fosse repetido
Estatísticas t, valores-p e intervalos de confiança dependem dessa estimativa de covariância, então o mesmo coeficiente pode levar a uma inferência diferente sob outro modelo de dependência
O erro-padrão de um coeficiente não é a volatilidade do ativo nem o desvio-padrão dos resíduos, e também depende do desenho e do tamanho efetivo da amostra
A heterocedasticidade muda a variância condicional do erro
Sob heterocedasticidade, a variância condicional do distúrbio não é constante entre valores dos regressores ou estados
Se a exogeneidade continuar válida, os coeficientes de MQO ainda podem ser consistentes, enquanto os erros-padrão clássicos calculados sob variância igual podem estar errados
O estimador de covariância consistente com heterocedasticidade de White usa contribuições quadráticas dos resíduos no nível da observação para estimar novamente a incerteza em grandes amostras
A autocorrelação duplica informação ao longo do tempo
Autocorrelação significa que distúrbios em datas diferentes têm covariância não nula; dependência positiva pode fazer um cálculo de independência superestimar a informação efetiva
Retornos sobrepostos, choques absorvidos lentamente, agregação de calendário e estados persistentes de risco são fontes financeiras comuns
Adicionar defasagens muda o modelo de média condicional, enquanto mudar apenas o estimador de covariância muda a inferência; eles não são remédios intercambiáveis
Associe o método robusto ao mapa de dependência
Estimadores do tipo White são adequados a contextos transversais que preservam independência entre observações, permitindo que cada observação tenha uma variância diferente
HAC de Newey–West pondera autocovariâncias amostrais por meio de um kernel escolhido e de uma defasagem máxima para permitir heterocedasticidade e correlação serial em séries temporais
Erros-padrão clusterizados permitem dependência ampla dentro de uma firma, data ou outro cluster definido, mas exigem independência entre clusters e quantidade suficiente de clusters
Escolhas de ajuste e amostras pequenas importam
Uma defasagem HAC curta demais perde dependência remanescente, enquanto uma longa demais acrescenta ruído, então a frequência e a estrutura de sobreposição econômica devem motivar a escolha
Correções como HC0 a HC3 reagem de forma diferente à alavancagem e aos graus de liberdade, e suas diferenças podem ser importantes em amostras pequenas
Poucos clusters ou clusters muito desiguais podem tornar pouco confiáveis os resultados assintóticos comuns, exigindo correções de amostra finita ou inferência alternativa
Regressões financeiras precisam de um mapa de dependência
Regressões de fatores mensais levantam dependência serial, painéis corporativos levantam dependência dentro da firma e comparações entre ativos em uma única data levantam choques comuns de data
Clusterização em duas dimensões pode ser candidata quando coexistem dependência de firma e de data, mas o número de clusters em ambas as dimensões precisa sustentá-la
Janelas de eventos sobrepostas ou portfólios reutilizados podem deixar muito menos informação independente do que sugere a contagem nominal de observações
Diga exatamente o que significa robusto
Informe a variante HC, a variável e a quantidade de clusters, ou o kernel HAC, a defasagem máxima e o ajuste de amostra finita junto com a estimativa do coeficiente
Mostre como os intervalos mudam sob várias estruturas de dependência economicamente defensáveis, em vez de apresentar uma escolha de covariância como automática
Declare que erros-padrão robustos deixam inalterados o coeficiente, a seleção da amostra, a mensuração, a forma funcional e as premissas de identificação
Perguntas frequentes
A heterocedasticidade sempre torna o coeficiente de MQO errado?
Não. Com exogeneidade e outras condições intactas, o coeficiente pode continuar consistente enquanto os erros-padrão clássicos e a eficiência são afetados
Quando usar erros-padrão de Newey–West?
Eles são usados em regressões de séries temporais quando se permite heterocedasticidade e dependência serial limitada, com a defasagem máxima divulgada
Todo painel corporativo deve usar cluster por firma?
Não. O desenho deve identificar onde os erros se movem juntos, incluindo possíveis choques comuns de data e persistência dentro das firmas
Erros-padrão robustos sempre tornam os valores-p maiores?
Não. A covariância estimada pode tornar um erro-padrão maior ou menor, então a direção não pode ser presumida antecipadamente