vcovHC, vcovHAC, NeweyWest - hangi işlevi kullanmalı?

Doğru standart hataları ve testleri almak için lm () tabanlı modelimi güncellemeye çalışıyorum. Hangi VC matrisini kullanacağım gerçekten kafam karıştı. sandwichPaket teklifler vcovHC, vcovHACve NeweyWest. İlki sadece heteroskedastisiteyi açıklarken, son ikisi seri korelasyon ve heteroskedastisiteyi açıklar. Ancak, belgeler son ikisi arasındaki fark hakkında çok fazla bilgi vermiyor (en azından anlamıyorum). İşlevin kendisine bakarak NeweyWest'in aslında vcovHAC çağırdığını fark ettim.

Ampirik sonuçları coeftest(mymodel, vcov. = vcovHAC)ve coeftest(mymodel, vcov. = NeweyWest)deli farklıdır. vcovHACNaif lm sonuçlarına biraz yakın olsa da, NeweyWest kullanarak tüm katsayılar önemsiz hale gelir (testler 1'e yakın bile).

regression time-series neweywest

— hans0l0
kaynak

Genellikle R yardım sayfaları makalelere bağlantı verir. Kesin detaylar genellikle orada bulunur. Örneğin Zeileis makalesi ücretsiz olarak mevcuttur ve zengin bilgi içerir.

— mpiktas

Zeileis makalesi özellikle nasıl vcovHACfarklı olduğunu belirtir NeweyWest. Özetlemek gerekirse, farklı HAC yöntemleri sadece ağırlık seçiminde farklılık gösterir. NeweyWestonun belirtilen ağırlıklar vardır, vcovHACkendi ağırlıkları tedarik ve varsayılan Andrews ağırlıkları kullanır tarafından imkan veren genel bir fonksiyondur.

— mpiktas

@mpiktas: özet için teşekkürler. Herhangi bir ağırlık belirtmediğim için, ilgili varsayılan ağırlıklar kullanılmalıdır. Artık bildiğime göre, sorumu şu şekilde yeniden ifade etmeliyim: Neden vcovHAC ve NeweyWest'in farklı varsayılan ağırlıkları bu kadar büyük bir fark yaratıyor ve ağırlıkları nasıl belirleyelim? STATA veya diğer paketlerin hangi ağırlıkları kullandığını biliyor musunuz?

— hans0l0

tüm bu hesaplamalar sabit değişkenler olmasına bağlıdır , burada ve rahatsızlıklardır. Durağanlık biraz kısıtlayıcı bir özelliktir, bu yüzden tutup tutmadığını kontrol edin.

x_{t} u_{t}

$x_tu_t$

x_{t}

$x_t$

u_{t}

$u_t$

— mpiktas

Söz konusu "sandviç", gözlemlenen bilgilerle tanımlanan bir eti çevreleyen beklenen bilgilerle tanımlanan iki ekmek parçasıdır. Yorumlarımı burada ve burada görün . Doğrusal bir regresyon için, tahmin denklemi:

U (β) = X^{T} (Y - X^{T} β)

$U(\beta) = \mathbf{X}^T\left(Y - \mathbf{X}^T\beta\right)$

Beklenen bilgiler (ekmek):

bir = \frac{\partial U (β)}{\partial β} = - (X^{T} X)

$A = \frac{\partial U(\beta)}{\partial \beta} = -(\mathbf{X}^T\mathbf{X})$

Gözlenen bilgiler (et):

B = E (U (β) U (β)^{T}) = X^{T} (Y - X^{T} β) (Y - X^{T} β)^{T} X

$B = E(U(\beta)U(\beta)^T) = \mathbf{X}^T(Y-\mathbf{X}^T\beta)(Y-\mathbf{X}^T\beta)^T\mathbf{X}$

Homozsedastisite, bağımsız veri varsayımı karşılandığında iç terimin sabit artıkların bir diyagonal olduğunu, daha sonra tarafından verilen sandviç kovaryans tahmin edicisinin olağan doğrusal regresyon kovaryans matrisi burada , artıkların varyansıdır. Ancak, bu oldukça katı. kalıntı matrisinin etrafındaki varsayımları gevşeterek oldukça geniş bir tahminci sınıfı elde edersiniz : . $A^{-1}BA^{-1}$ $\sigma^2 \left(\mathbf{X}^T\mathbf{X}\right)^{-1}$ $\sigma^2$ $n \times n$

R, = (Y - X^{T} β) (Y - X^{T} β)

$R = (Y-\mathbf{X}^T\beta)(Y-\mathbf{X}^T\beta)$

"HC0" vcovHCtahmincisi, veriler bağımsız olmasa bile tutarlıdır. Bu yüzden artıkların bağımsız olduğunu "varsaydığımızı" söylemeyeceğim, ama "çalışan bağımsız bir kovaryans yapısı" kullandığımızı söyleyeceğim. Daha sonra matrisi , artıkların bir köşegeniyle değiştirilir $R$

{R,}_{ben ben} = (Y_{ben} - β X_{ben .})^{2}, 0 başka yerde

$R_{ii} = (Y_i - \beta \mathbf{X}_{I.})^2, \quad 0\text{ elsewhere}$

Bu tahmin edici, küçük örnekler dışında gerçekten iyi çalışır (<40 genellikle iddia edilir). HC1-3 çeşitli sonlu örnek düzeltmeleridir. HC3 genellikle en iyi performansı gösterir.

Bununla birlikte, otoregresif etkiler varsa, diyagonal girişleri sıfır değildir, bu nedenle yaygın olarak kullanılan otoregresif yapılara dayalı olarak ölçekli bir kovaryans matrisi üretilir. Bu "vcovHAC" ın mantığıdır. Burada, otoregresif etkiyi tahmin etmek için çok esnek ve genel yöntemler üretilmektedir: ayrıntılar sorunuzun kapsamı dışında olabilir. "MeatHAC" işlevi genel işgücüdür: varsayılan yöntem Andrews'dur. Newey-West, genel otoregresif hata tahmin edicisinin özel bir örneğidir. Bu yöntemler iki problemden birini çözer: 1. "bitişik" gözlemler arasındaki korelasyon hangi oranda azalır ve 2. iki gözlem arasındaki makul mesafe nedir? Bunlar Dengeli panel verileriniz varsa, bu kovaryans tahmincisi aşırı doludur. $T$ geegeepaket yerine kovaryans yapısını AR-1veya benzerini belirtiyor .

Hangisinin kullanılacağı, veri analizinin ve bilimsel sorunun niteliğine bağlıdır. Birden fazla test sorunu olduğu için tüm tiplerin takılmasını ve en iyi görünen olanın seçilmesini tavsiye etmem. Daha önce de belirttiğim gibi, vcovHC kestirimcisi otoregresif bir etkinin varlığında bile tutarlıdır, bu nedenle çeşitli durumlarda "çalışma bağımsızlığı korelasyon modelini" kullanabilir ve gerekçelendirebilirsiniz.

— Adamo
kaynak