J'exécute quelques régressions et, comme je voulais être du bon côté, j'ai décidé d'utiliser des erreurs standard HAC (hétéroscédasticité et autocorrélation cohérentes) tout au long. Il peut y avoir quelques cas où la corrélation série n'est pas présente. Est-ce de toute façon une approche valable? Y a-t-il des inconvénients?
time-series
least-squares
standard-error
robust
robust-standard-error
Juliett Bravo
la source
la source
Réponses:
En gros, lors de l'estimation des erreurs types:
Si vous avez suffisamment de données, vous devriez être en sécurité puisque l'estimateur est cohérent!
Comme Woolridge le fait remarquer dans son livre Introductory Econometrics (p.247 6e édition), un gros inconvénient peut provenir de petits problèmes d'échantillonnage, à savoir que vous pouvez effectivement supprimer une hypothèse (c.-à-d. Pas de corrélation sérielle des erreurs) mais ajouter une autre hypothèse que vous avez assez de données pour que le théorème de la limite centrale entre en action! HAC etc ... s'appuie sur des arguments asymptotiques.
Si vous avez trop peu de données pour vous fier à des résultats asymptotiques:
Voir cette réponse ici à une question connexe: https://stats.stackexchange.com/a/5626/97925
la source
En effet, il devrait y avoir une certaine perte d'efficacité dans les échantillons finis mais asymptotiquement, vous êtes du bon côté. Pour voir cela, considérons le cas simple d'estimation d'une moyenne d'échantillon (qui est un cas particulier d'une régression dans laquelle vous régressez uniquement sur une constante):
Les estimateurs HAC estiment l'erreur-type de la moyenne de l'échantillon. Supposons que soit une covariance stationnaire avec et tels que .Ouit E(Ouit) = μ Co v (Ouit,Ouit - j) =γj ∑∞j = 0|γj| <∞
Ensuite, quelle estimation des erreurs standard HAC est la racine carrée de la "variance à long terme", donnée par: Maintenant, si la série n'a pas de corrélation sérielle, alors pour , que l'estimateur HAC "découvrira" aussi comme , de sorte qu'il se résumera à un estimateur de la racine carrée de la variance standard .
la source