python - 回归标准误差聚类和对异方差+序列自相关的鲁棒性

Question

如标题所示，我正在尝试在 python 中运行回归，其中标准错误是聚集的，并且对异方差和自相关 (HAC) 具有鲁棒性。我在statsmodels( sm) 内工作，但显然对使用其他库 (例如linearmodels) 持开放态度。

例如，通过 id 进行聚类，代码将是

sm.OLS.from_formula(formula='y ~ x', data=df).fit(cov_type='cluster', cov_kwds={'groups': df['id']}, use_t=True)

对于 HAC 标准错误，代码为

sm.OLS.from_formula(formula='y ~ x', data=df).fit(cov_type='HAC', cov_kwds={'maxlags': max_lags}, use_t=True)

鉴于cov_type不能两者兼而有之cluster，HAC在 statsmodels 中两者兼而有之似乎不可行？这是对的，和/或有没有其他方法可以两者兼得？

score 0 · Accepted Answer

有两个面板 HAC cov_typeshac-groupsum和hac-panel，但我只知道它们用于面板数据，但它们应该适用于集群数据。据我记得，有一些文献表明它们在高度不平衡的数据方面不是很好（例如比较大小差异很大的美国各州的人口数据）。

实现该功能的主要参考资料是 Petersen 的文章，例如

与 Petersen 进行一些比较的示例在单元测试中。

当我们有两个（路）集群时，Statsmodels 也有集群稳健标准误差。

这些协方差矩阵的随机行为取决于在大样本中集群的数量、时间段的数量或两者是否变大。

1 回答 1