Angrist y Pischke han sugerido que los errores estándar robustos (es decir, robustos a la heteroscedasticidad o a las varianzas desiguales) se comuniquen de forma rutinaria en lugar de someterlos a pruebas. Dos preguntas:
El uso de errores estándar robustos se ha convertido en una práctica habitual en economía. Los errores estándar robustos suelen ser mayores que los errores estándar no robustos (¿estándar?), por lo que esta práctica puede considerarse un esfuerzo de conservadurismo.
En muestras grandes ( Por ejemplo si trabaja con datos censales con millones de observaciones o conjuntos de datos con "sólo" miles de observaciones), las pruebas de heteroscedasticidad darán casi con toda seguridad un resultado positivo, por lo que este enfoque es adecuado.
Otro medio para combatir la heteroscedasticidad son los mínimos cuadrados ponderados, pero este enfoque se ha despreciado porque modifica las estimaciones de los parámetros, a diferencia del uso de errores estándar robustos. Si las ponderaciones son incorrectas, las estimaciones están sesgadas. Sin embargo, si las ponderaciones son correctas, se obtienen errores estándar más pequeños ("más eficientes") que los MCO con errores estándar robustos.
Los errores estándar robustos proporcionan estimaciones insesgadas de los errores estándar bajo heteroscedasticidad. Existen varios libros de texto de estadística que ofrecen un amplio y extenso análisis de los errores estándar robustos. El siguiente sitio web ofrece un resumen bastante completo sobre los errores estándar robustos:
https://economictheoryblog.com/2016/08/07/robust-standard-errors/
Volviendo a sus preguntas. El uso de errores estándar robustos no está exento de advertencias. Según Woolridge (edición de 2009, página 268), al utilizar errores estándar robustos, las estadísticas t obtenidas sólo tienen distribuciones similares a las distribuciones t exactas si el tamaño de la muestra es grande. Si el tamaño de la muestra es pequeño, las t-estadísticas obtenidas utilizando la regresión robusta podrían tener distribuciones que no se aproximen a la distribución t. Esto podría desvirtuar la inferencia. Además, en caso de homocedasticidad, los errores estándar robustos siguen siendo insesgados. Sin embargo, no son eficientes. Es decir, los errores estándar convencionales son más precisos que los errores estándar robustos. Por último, el uso de errores estándar robustos es una práctica común en muchos campos académicos.
En Introducción a la econometría (Woolridge, edición de 2009, página 268) se aborda esta cuestión. Woolridge afirma que cuando se utilizan errores estándar robustos, las estadísticas t obtenidas sólo tienen distribuciones similares a las distribuciones t exactas si el tamaño de la muestra es grande. Si el tamaño de la muestra es pequeño, las estadísticas t obtenidas utilizando la regresión robusta podrían tener distribuciones que no se aproximen a la distribución t y esto podría desvirtuar la inferencia.
Hay muchas razones para evitar el uso de errores estándar robustos. Técnicamente, lo que ocurre es que las varianzas se ponderan con pesos que no se pueden probar en la realidad. Por lo tanto, la robustez es sólo una herramienta cosmética. En general, debería pensar en cambiar el modelo.
Hay muchas implicaciones para tratar la heterogeneidad de una manera mejor que simplemente pintar sobre el problema que se produce a partir de sus datos. Tómelo como una señal para cambiar el modelo. La cuestión está estrechamente relacionada con la de cómo tratar los valores atípicos. Algunas personas simplemente los eliminan para obtener mejores resultados, es casi lo mismo cuando se utilizan errores estándar robustos, sólo que en otro contexto.
Creía que el error estándar blanco y el error estándar calculado de forma "normal" (por ejemplo, el hessiano y/o el OPG en el caso de la máxima verosimilitud) eran asintóticamente equivalentes en el caso de la homocedasticidad.
Sólo si hay heteroscedasticidad será inapropiado el error estándar "normal", lo que significa que el Error Estándar Blanco es apropiado con o sin heteroscedasticidad, es decir, incluso cuando su modelo es homoscedástico.
Realmente no puedo hablar de 2, pero no veo la razón por la que uno no querría calcular el SE Blanco e incluirlo en los resultados.
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
