Instrumentalvariablenschätzung/coeftest/HC1
Moderator: EDi
Instrumentalvariablenschätzung/coeftest/HC1
Hallo, bei einer Instrumentalvariablenschätzung wurde unter anderem das geschrieben: coeftest(model_1, vcov=func.hc1), wobei bei der Definition von func.hc1 steht type=HC1. Die Schätzung ergibt dann andere t-Werte als die „normale“ Schätzung davor. Kann mir vielleicht jemand erklären, was es mit diesem HC1 auf sich hat? Google weiß da leider nicht besonders viel zu :/ . Schonmal vielen Dank im vorraus
Re: Instrumentalvariablenschätzung/coeftest/HC1
Code: Alles auswählen
MacKinnon J. G., White H. (1985), Some heteroskedasticity-consistent covariance matrix estimators with improved finite sample properties. Journal of Econometrics 29, 305-325
Bitte immer ein reproduzierbares Minimalbeispiel angeben. Meinungen gehören mir und geben nicht die meines Brötchengebers wieder.
Dieser Beitrag ist lizensiert unter einer CC BY 4.0 Lizenz
.
Dieser Beitrag ist lizensiert unter einer CC BY 4.0 Lizenz
.
Re: Instrumentalvariablenschätzung/coeftest/HC1
Hallo!
Mit den HC-Schätzer (u.a. HC1) kann man die Standardfehler bei Heteroskedastizität korrigieren. Es wird berechnet in dem Varianz-Kovarianz-Matrix von Beta korrigiert wird. (siehe die Quelle von EDi) Das hat Einfluss darauf, ob Regressionskoeffizienten als signifkant klassifiziert werden oder nicht. Meist kommt es zu einer Überschätzung der Regressionskoeffizienten, wenn die regulären Standardfehlerschätzer bei einer heteroskedasitischen Verteilung nutzt.
Eine weitere Quelle, die ganz gut beschreibt warum das Thema wichtig ist, ist "Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: an introduction and software implementation. Behavior Research Methods, 39(4), 709–722."
Mit den HC-Schätzer (u.a. HC1) kann man die Standardfehler bei Heteroskedastizität korrigieren. Es wird berechnet in dem Varianz-Kovarianz-Matrix von Beta korrigiert wird. (siehe die Quelle von EDi) Das hat Einfluss darauf, ob Regressionskoeffizienten als signifkant klassifiziert werden oder nicht. Meist kommt es zu einer Überschätzung der Regressionskoeffizienten, wenn die regulären Standardfehlerschätzer bei einer heteroskedasitischen Verteilung nutzt.
Eine weitere Quelle, die ganz gut beschreibt warum das Thema wichtig ist, ist "Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: an introduction and software implementation. Behavior Research Methods, 39(4), 709–722."