在对线性模型应用对比之前解决组之间的不等方差？ (r)

Question

我的目标： 我有一个序数因子变量（5 个级别），我想对其应用对比来测试线性趋势。然而，因子组具有方差异质性。

我所做的： 根据推荐，我使用 robust pckg 中的 lmRob() 创建了一个稳健的线性模型，然后应用了对比。

# assign the codes for a linear contrast of 5 groups, save as object
contrast5 <- contr.poly(5)

# set contrast property of sf1 to contain the weights
contrasts(SCI$sf1) <- contrast5

# fit and save a robust model (exhaustive instead of subsampling)
robmod.sf1 <- lmRob(ICECAP_A ~ sf1, data = SCI, nrep = Exhaustive)

summary.lmRob(robmod.sf1)

我的问题： 从那以后我一直在阅读稳健回归更适合解决异常值，而不是方差异质性。（https://stats.idre.ucla.edu/r/dae/robust-regression/_ ) This UCLA page (among others) suggests the sandwich package to get heteroskedastic-consistent (HC) standard errors (such as in https://thestatsgeek.com/2014/02/14/the-robust-sandwich-variance-estimator-for-linear-regression-using-r/ 的底部）。

但这些示例使用一系列 functions/calls 生成输出，为您提供可用于计算置信区间、t 值、p 值等的 HC。

我的想法是，如果我使用 vcovHC()，我可以获得 HC 标准错误，但 HC 标准错误不会是模型的 'applied'/a 属性，所以我无法通过函数传递模型（带有 HC 错误）以应用我最终想要的对比。我希望我没有将两个独立的概念混为一谈，但如果一个函数 addresses/down-weights 异常值，那至少也应该在一定程度上解决不等方差问题？

任何人都可以确认我的推理是否合理（并因此保留 lmRob()？或者建议我如何才能纠正我的标准错误 并仍然应用对比 ？

Answer 1

vcovHC是处理异方差的正确函数。 HC代表异方差一致估计量。这将不会降低模型效应估计中的离群值，但它会以不同方式计算 CI 和 p 值，以适应此类离群观察的影响。 lmRob 降低离群值的权重并且不处理异方差性

在此处查看更多信息： https://stats.stackexchange.com/questions/50778/sandwich-estimator-intuition/50788#50788

在对线性模型应用对比之前解决组之间的不等方差？ (r)

Address unequal variance between groups before applying contrasts for a linear model? (r)

r

regression

robustness