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以及对异方差和自相关 (HAC) 稳健。我在statsmodels (sm) 内工作，但显然可以使用其他库（例如linearmodels）。

集群例如通过 id，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 不能同时是cluster 和HAC，在statsmodels 中两者都做似乎不可行？是这样吗，和/或有其他方法可以两者兼得吗？

Answer 1

有两个面板 HAC cov_types hac-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表现不佳（例如比较大小差异很大的美国各州的人口数据）。

https://www.statsmodels.org/stable/generated/statsmodels.regression.linear_model.OLSResults.get_robustcov_results.html

实现该功能的主要参考是 Petersen 的文章，例如

https://www.kellogg.northwestern.edu/faculty/petersen/htm/papers/standarderror.html

单元测试中有一些与 Petersen 进行比较的示例。

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集群的数量、时间段的数量或两者在大样本中是否变大。