Гетероскедастичность, автокорреляция и устойчивые стандартные ошибки
Узнайте, почему классические стандартные ошибки не работают, что допускают оценки Уайта, кластерные и HAC-оценки Ньюи–Уэста, как их выбирать и где устойчивый вывод заканчивается в финансовых данных
Короткий ответ
Стандартная ошибка описывает, насколько оценённый коэффициент менялся бы в повторных выборках. Гетероскедастичность означает, что дисперсия ошибки меняется с наблюдаемыми условиями, а автокорреляция — что ошибки в разные моменты связаны. Стандартные ошибки Уайта допускают гетероскедастичность, HAC Ньюи–Уэста — гетероскедастичность и ограниченную серийную зависимость, а кластерные ошибки — широкую зависимость внутри выбранных групп. Ни один метод не исправляет эндогенность или неверное уравнение регрессии
Стандартные ошибки измеряют вариацию оценивателя
Коэффициент — точечная оценка из одной выборки; его стандартная ошибка приближает колебания оценивателя при повторении процесса генерации данных
t-статистики, p-значения и доверительные интервалы зависят от этой оценки ковариации, поэтому один и тот же коэффициент может привести к разному выводу при другой модели зависимости
Стандартная ошибка коэффициента — не волатильность актива и не стандартное отклонение остатков; она также зависит от дизайна и эффективного объёма выборки
Гетероскедастичность меняет условную дисперсию ошибки
При гетероскедастичности условная дисперсия возмущения неодинакова при разных значениях регрессоров или состояниях
Если экзогенность сохраняется, коэффициенты OLS могут оставаться состоятельными, тогда как классические стандартные ошибки, рассчитанные при равной дисперсии, будут неверны
Устойчивый к гетероскедастичности оцениватель ковариации Уайта использует квадраты остатков на уровне наблюдений, чтобы оценить неопределённость большой выборки
Автокорреляция дублирует информацию во времени
Автокорреляция означает ненулевую ковариацию возмущений в разные даты; положительная зависимость может заставить расчёт независимости завысить эффективный объём информации
Перекрывающиеся доходности, медленно поглощающиеся шоки, календарная агрегация и устойчивые состояния риска — частые финансовые источники зависимости
Добавление лагов меняет модель условного среднего, тогда как изменение только оценивателя ковариации меняет вывод; это не взаимозаменяемые средства
Сопоставляйте устойчивый метод с картой зависимости
Оцениватели типа Уайта подходят для сечений, сохраняющих независимость между наблюдениями и допускающих разную дисперсию каждого наблюдения
HAC Ньюи–Уэста взвешивает выборочные автоковариации через выбранное ядро и максимальный лаг, допуская временную гетероскедастичность и серийную корреляцию
Кластерные стандартные ошибки допускают широкую зависимость внутри заданной компании, даты или другой группы, но требуют независимости между кластерами и достаточного числа кластеров
Настройки и малые выборки важны
Слишком короткий лаг HAC пропускает оставшуюся зависимость, а слишком длинный добавляет шум, поэтому выбор должны мотивировать частота и экономическая структура перекрытия
Поправки HC0–HC3 по-разному реагируют на рычаг и степени свободы, и в малых выборках их различия могут быть существенными
Малое или сильно неравномерное число кластеров может сделать обычные асимптотические приближения ненадёжными и потребовать поправок для малых выборок или другого вывода
Для финансовой регрессии нужна карта зависимости
Месячные факторные регрессии создают серийную зависимость, корпоративные панели — зависимость внутри компании, а сравнения активов в одну дату — общие шоки даты
Двусторонняя кластеризация может быть кандидатом при одновременной зависимости компании и даты, но число кластеров по обоим измерениям должно это поддерживать
Перекрывающиеся событийные окна или повторно используемые портфели могут оставлять гораздо меньше независимой информации, чем предполагает номинальное число наблюдений
Точно объясняйте, что значит «устойчивый»
Вместе с оценкой коэффициента указывайте вариант HC, переменную и число кластеров либо ядро HAC, максимальный лаг и поправку для малой выборки
Показывайте, как интервалы меняются при нескольких экономически защищаемых структурах зависимости, а не представляйте один выбор ковариации как автоматический
Укажите, что устойчивые стандартные ошибки не меняют коэффициент, отбор выборки, измерение, функциональную форму и предпосылки идентификации
Частые вопросы
Всегда ли гетероскедастичность делает коэффициент OLS неверным?
Нет. При сохранении экзогенности и других условий коэффициент может остаться состоятельным, тогда как классические стандартные ошибки и эффективность пострадают
Когда применять стандартные ошибки Ньюи–Уэста?
Их применяют в регрессиях временных рядов, когда допускают гетероскедастичность и ограниченную серийную зависимость, раскрывая максимальный лаг
Нужно ли каждой корпоративной панели кластеризовать ошибки по компании?
Нет. Дизайн должен определить, где ошибки совместно движутся, включая возможные общие шоки даты и устойчивость внутри компании
Всегда ли устойчивые стандартные ошибки увеличивают p-значения?
Нет. Оценённая ковариация может увеличить или уменьшить стандартную ошибку, поэтому направление нельзя предполагать заранее