مقاله استنتاج قوی در مدلهای داده پانل: برخی از اثرات ناهمگونی و داده های اهرمی در نمونه های کوچک

چکیده

With the violation of the assumption of homoskedasticity, least squares estimators of the variance become inefficient and statistical inference conducted with invalid standard errors leads to misleading rejection rates. Despite a vast cross-sectional literature on the downward bias of robust standard errors, the problem is not extensively covered in the panel data framework. We investigate the consequences of the simultaneous presence of small sample size, heteroskedasticity and data points that exhibit extreme values in the covariates (‘good leverage points’) on the statistical inference. Focusing on one-way linear panel data models, we examine asymptotic and finite sample properties of a battery of heteroskedasticity-consistent estimators using Monte Carlo simulations. We also propose a hybrid estimator of the variance-covariance matrix. Results show that conventional standard errors are always dominated by more conservative estimators of the variance, especially in small samples. In addition, all types of HC standard errors have excellent performances in terms of size and power tests under homoskedasticity.

چکیده به فارسی (ترجمه ماشینی)

با نقض فرض همجنسگرا ، حداقل برآوردگرهای مربع از واریانس ناکارآمد می شوند و استنباط آماری انجام می شود که با خطاهای استاندارد نامعتبر انجام می شود ، منجر به گمراه کننده نرخ رد می شود.علیرغم ادبیات گسترده مقطعی در مورد تعصب رو به پایین خطاهای استاندارد استاندارد ، این مشکل به طور گسترده در چارچوب داده های پانل پوشش داده نمی شود.ما عواقب حضور همزمان اندازه نمونه کوچک ، ناهمگونی و نقاط داده را که مقادیر شدید در متغیرها (“نقاط اهرم خوب”) را بر استنتاج آماری نشان می دهد ، بررسی می کنیم.با تمرکز بر روی مدلهای داده پانل خطی یک طرفه ، ما خصوصیات نمونه بدون علامت و محدود از یک باتری از برآوردگرهای سازگار با ناهمگونی را با استفاده از شبیه سازی مونت کارلو بررسی می کنیم.ما همچنین یک برآوردگر ترکیبی از ماتریس واریانس کواریانس پیشنهاد می کنیم.نتایج نشان می دهد که خطاهای استاندارد معمولی همیشه توسط برآوردگرهای محافظه کارانه تر از واریانس ، به ویژه در نمونه های کوچک حاکم است.علاوه بر این ، انواع خطاهای استاندارد HC از نظر اندازه و تست های قدرت تحت Homoskedasticity عملکردهای بسیار خوبی دارند.