Гетероскедастичность в панельных данных: проверка и робастная оценка с помощью Stata.

В этом видео мы рассматриваем проблему гетероскедастичности в анализе панельных данных. Мы также шаг за шагом показываем, как выявлять и устранять гетероскедастичность для объединенных моделей МНК, моделей с фиксированными и случайными эффектами, используя наш собственный набор панельных данных, а результаты регрессионного анализа частично представлены в нашей статье, опубликованной в 2019 году в журнале «Sustainability». База данных: https://drive.google.com/file/d/1G3NF... Данные в Excel: https://docs.google.com/spreadsheets/... Гетероскедастичность — это нарушение классического предположения о гомоскедастичности, при котором дисперсия ошибки перестает быть постоянной для всех наблюдений. При наличии гетероскедастичности оценки МНК остаются несмещенными, но перестают быть эффективными, а соответствующие стандартные ошибки становятся несостоятельными. Это приводит к некорректным выводам, таким как вводящие в заблуждение t-статистики, p-значения и доверительные интервалы. Проблема становится особенно актуальной в панельных данных, где изменчивость между поперечными единицами или во времени может приводить к систематическим различиям дисперсий ошибок. Вследствие этого, в объединенных моделях МНК гетероскедастичность напрямую влияет на надежность проверки гипотез. В моделях с фиксированными и случайными эффектами она нарушает предположение о постоянной дисперсии в идиосинкратическом члене ошибки и может также искажать статистические показатели, полученные в результате внутри- и межгрупповых преобразований. Хотя оценки коэффициентов остаются согласованными (особенно в моделях со случайными эффектами), они перестают быть эффективными, а стандартные ошибки могут быть либо недооценены, либо переоценены. Для выявления гетероскедастичности в панельных данных используются различные диагностические тесты в зависимости от спецификации модели. Для объединенных моделей МНК можно применять тест Бройша-Пагана или тест Уайта; для моделей с фиксированными эффектами — модифицированный тест Вальда; а также тест ЛМ (критерий отношения правдоподобия) или тест Вальда для моделей со случайными эффектами. В общем, тесты на гетероскедастичность основаны на нулевой гипотезе об отсутствии гетероскедастичности против альтернативной гипотезы о её наличии. Соответственно, если результат теста дает p-значение меньше 0,05, мы отвергаем нулевую гипотезу и делаем вывод, что: модель демонстрирует гетероскедастичность. И наоборот, если p-значение больше 0,05, мы не отвергаем нулевую гипотезу, предполагая, что: нет достаточных доказательств гетероскедастичности в модели. В случаях, когда гетероскедастичность обнаружена, простейшая и наиболее широко используемая коррекция включает оценку робастных стандартных ошибок. В частности, в Stata это можно реализовать с помощью опции robust при оценке моделей объединенного МНК, моделей с фиксированными эффектами и моделей со случайными эффектами.