Regresión con errores estándar corregidos de heterocedasticidad

Question

Me gustaría encontrar la implementación R que se asemeja más a la salida Stata para ajustar una función de regresión de mínimos cuadrados con errores estándar heteroscedásticos corregidos. Específicamente me gustaría que los errores estándar corregidos estén en el "resumen" y no tengan que hacer cálculos adicionales para mi ronda inicial de pruebas de hipótesis. Estoy buscando una solución tan "limpia" como lo que ofrecen Eviews y Stata.

Hasta el momento, utilizando el paquete "lmtest" lo mejor que puede llegar a es:

model <- lm(...) 
coeftest(model, vcov = hccm) 

Esto me da la salida que quiero, pero no parece estar usando "coeftest" para su propósito declarado También tendría que usar el resumen con los errores estándar incorrectos para leer R^2 y F stat, etc. Siento que debería existir una solución de "línea única" para este problema, dado cuán dinámico es R.

Gracias

Answer 1

creo que usted está en el camino correcto con coeftest en lmtest paquete. Eche un vistazo al sandwich package que incluye esta funcionalidad y está diseñado para trabajar de la mano con el paquete lmtest que ya ha encontrado.

> # generate linear regression relationship 
> # with Homoskedastic variances 
> x <- sin(1:100) 
> y <- 1 + x + rnorm(100) 
> ## model fit and HC3 covariance 
> fm <- lm(y ~ x) 
> vcovHC(fm) 
      (Intercept)   x 
(Intercept) 0.010809366 0.001209603 
x   0.001209603 0.018353076 
> coeftest(fm, vcov. = vcovHC) 

t test of coefficients: 

      Estimate Std. Error t value Pr(>|t|)  
(Intercept) 1.01973 0.10397 9.8081 3.159e-16 *** 
x   0.93992 0.13547 6.9381 4.313e-10 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Para obtener la prueba F, mira función waldtest():

> waldtest(fm, vcov = vcovHC) 
Wald test 

Model 1: y ~ x 
Model 2: y ~ 1 
    Res.Df Df  F Pr(>F)  
1  98       
2  99 -1 48.137 4.313e-10 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Siempre se puede cocinar una función simple de combinar estos dos para que si quería la de una sola línea ...

Hay muchos ejemplos en la viñeta Econometric Computing with HC and HAC Covariance Matrix Estimators que viene con el paquete de sándwich de vincular lmtest y sándwich para hacer lo que desee.

Editar: A de una sola línea podría ser tan simple como:

mySummary <- function(model, VCOV) { 
    print(coeftest(model, vcov. = VCOV)) 
    print(waldtest(model, vcov = VCOV)) 
} 

que podemos utilizar como esto (en los ejemplos de la anterior):

> mySummary(fm, vcovHC) 

t test of coefficients: 

      Estimate Std. Error t value Pr(>|t|)  
(Intercept) 1.01973 0.10397 9.8081 3.159e-16 *** 
x   0.93992 0.13547 6.9381 4.313e-10 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Wald test 

Model 1: y ~ x 
Model 2: y ~ 1 
    Res.Df Df  F Pr(>F)  
1  98       
2  99 -1 48.137 4.313e-10 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Answer 2

he encontrado un R función que hace exactamente lo que estás buscando. Le proporciona robustos errores estándar sin tener que hacer cálculos adicionales. Ejecuta summary() en un lm.object y si establece el parámetro robust=T le devuelve errores estándar consistentes de heteroscedasticidad similar a Stata.

summary(lm.object, robust=T) 

Puede encontrar la función de https://economictheoryblog.com/2016/08/08/robust-standard-errors-in-r/