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，我正在尝试运行 python 中的回归，其中标准误差聚集以及稳健异方差和自相关 (HAC)。我在 statsmodels (sm) 内工作，但显然愿意使用其他库（例如 linearmodels）。

聚类，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)

考虑到 cov_type 不能同时是 cluster 和 HAC，在 statsmodels 中两者似乎都不可行？是这样吗，and/or 有没有其他方法可以同时拥有两者？

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说他们在高度不平衡的数据上不是很好（例如比较美国各州的人口数据，这些州的人口数据规模差异很大）。

实现的主要参考是 Petersen 的文章，例如

与 Petersen 进行比较的示例在单元测试中。

当我们有双（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聚类数量、时间段数量或两者是否在大样本中变大。

Regression standard error clustering AND robust to heteroskedascity + serial autocorrelation