Sempre relatar erros padrão robustos (brancos)?

Angrist e Pischke sugeriram que Erros Padrão Robustos (isto é, robustos à heterocedasticidade ou a variações desiguais) são relatados como uma questão de curso, em vez de testá-lo. Duas questões:

1. Qual é o impacto nos erros padrão de fazê-lo quando há homoskedasticity?
2. Alguém realmente faz isso em seu trabalho?

O uso de erros padrão robustos tornou-se uma prática comum em economia. Erros padrão robustos são geralmente maiores que erros padrão não-robustos (padrão?), Portanto, a prática pode ser vista como um esforço para ser conservador.

Em amostras grandes ( por exemplo, se você estiver trabalhando com dados do Censo com milhões de observações ou conjuntos de dados com "apenas" milhares de observações), os testes de heterocedasticidade quase certamente serão positivos, portanto essa abordagem é apropriada.

Outro meio de combater a heterocedasticidade são os mínimos quadrados ponderados, mas essa abordagem foi menosprezada porque altera as estimativas de parâmetros, ao contrário do uso de erros padrão robustos. Se seus pesos estiverem incorretos, suas estimativas serão tendenciosas. Se seus pesos estiverem corretos, no entanto, você obterá erros padrão menores ("mais eficientes") que o OLS com erros padrão robustos.

Em Econometria Introdutória (Woolridge, edição de 2009, página 268), essa questão é abordada. Woolridge diz que, ao usar erros padrão robustos, as estatísticas t obtidas têm apenas distribuições que são semelhantes às distribuições t exatas se o tamanho da amostra for grande. Se o tamanho da amostra for pequeno, as estatísticas t obtidas por meio de regressão robusta podem ter distribuições que não estão próximas da distribuição t, o que pode gerar inferência.

Erros padrão robustos fornecem estimativas de erros padrão imparciais sob heterocedasticidade. Existem vários livros estatísticos que fornecem uma discussão longa e extensa sobre erros padrão robustos. O site a seguir fornece um resumo abrangente sobre erros padrão robustos:

https://economictheoryblog.com/2016/08/07/robust-standard-errors/

Voltando às suas perguntas. O uso de erros padrão robustos não deixa de ter ressalvas. De acordo com Woolridge (edição de 2009, página 268), usando erros padrão robustos, as estatísticas t obtidas apenas têm distribuições que são semelhantes às distribuições t exatas se o tamanho da amostra for grande. Se o tamanho da amostra for pequeno, as estatísticas t obtidas por meio de regressão robusta podem ter distribuições que não estão próximas da distribuição t. Isso pode afastar a inferência. Além disso, em caso de homoscedasticidade, erros padrão robustos ainda são imparciais. No entanto, eles não são eficientes. Ou seja, erros padrão convencionais são mais precisos que erros padrão robustos. Finalmente, o uso de erros padrão robustos é prática comum em muitos campos acadêmicos.

Existem várias razões para evitar o uso de erros padrão robustos. Tecnicamente, o que acontece é que as variações são ponderadas por pesos que você não pode provar na realidade. Assim, a roubustness é apenas uma ferramenta cosmética. Em geral, você deve mudar de modelo. Existem muitas implicações para lidar com a heterogeneidade de uma maneira melhor do que apenas tratar do problema que ocorre nos seus dados. Tome isso como um sinal para mudar de modelo. A questão está intimamente relacionada à questão de como lidar com discrepantes. Mesmo que as pessoas as excluam para obter melhores resultados, é quase a mesma coisa ao usar erros padrão robustos, apenas em outro contexto.

Eu pensei que o erro padrão branco e o erro padrão calculados da maneira "normal" (por exemplo, Hessian e / ou OPG no caso de máxima probabilidade) eram assintoticamente equivalentes no caso da homocedasticidade?

Somente se houver heterocedasticidade o erro padrão "normal" será inapropriado, o que significa que o Erro Padrão Branco é apropriado com ou sem heterocedasticidade, ou seja, mesmo quando seu modelo é homosquástico.

Eu realmente não posso falar sobre 2, mas não vejo por que não se deseja calcular o White SE e incluí-lo nos resultados.

Tenho um livro intitulado Introdução à Econometria, 3ª ed. por Stock e Watson, que lêem, "se os erros são heterocedásticos, a estatística t calculada usando o erro padrão somente de homocedasticidade não tem uma distribuição normal padrão, mesmo em amostras grandes". Eu acredito que você não pode fazer testes adequados de inferência / hipótese sem poder assumir que sua estatística t está distribuída como padrão normal. Tenho muito respeito por Wooldridge (na verdade, minha turma de pós-graduação também usou o livro dele), então acredito que o que ele diz sobre as estatísticas t usando SEs robustas exige que amostras grandes sejam apropriadas é definitivamente correto, mas acho que geralmente temos que lidar com o requisito de amostra grande e aceitamos isso. No entanto, o fato de o uso de SEs não robustos não fornecerá uma estatística t com a distribuição normal padrão adequadamesmo se você tiver uma amostra grande, cria um desafio muito maior a ser superado.