En microeconometría, el componente temporal suele ser corto (lo que significa que $T$ se fija en $t=1,\ldots,T$ ). En este caso, la correlación serial suele considerarse un problema insignificante. que afectan a los errores estándar de un modelo de regresión lineal estándar (y no las estimaciones puntuales) porque puede corregirse fácilmente mediante el error estándar robusto (ajustando ambos por la posible heteroscedasticidad y correlación serial, un enfoque similar al de utilizar la Corrección Newey-West ).
Sin embargo, muchos estudios han calculado aparentemente errores estándar sesgados en el contexto de diferencias y diferencias, como demuestran Bertrand, Duflo y Mullainathan (2003) . Recomiendan, entre otras cosas, utilizar el bootstrap de bloques para este tipo de análisis. Sin embargo, su estudio se centra principalmente en la validez de los distintos mecanismos de corrección con respecto al número de grupos disponibles ( $n=1,\ldots,N$ en un contexto de panel) pero menos en la duración del componente temporal $T$ .
Tengo algunas preguntas basadas en mis limitados conocimientos:
- ¿Existen otras buenas sinopsis que deba conocer?
- ¿Puede recomendar una introducción o un artículo sobre cómo asegurar el error estándar correcto en la literatura de series temporales para datos de series temporales del mundo real (sin centrarse totalmente en la asintótica teórica, sino teniendo en cuenta, por ejemplo, series temporales con múltiples estacionalidades, como los datos horarios; o series temporales largas en un mundo lento pero cambiante / los efectos de un proceso generador de datos que cambia lentamente, como el cambio climático). Aquí es una pregunta reciente ligeramente relacionada que me ha inspirado para plantear estas cuestiones.
- ¿Existe un resumen similar que distinga entre paneles más cortos y más largos?
- ¿Siguen considerándose las conclusiones de Bertrand et al. como el estado actual de la literatura después de más de 15 años?
Cualquier respuesta a estas preguntas será bienvenida.
