R 中计算异方差稳健标准误差的有效方法

Question

我正在尝试计算 R 中的稳健标准误差。我知道有两种解决方案可以满足我的要求，但速度非常慢。因此，我的问题是是否有一种更有效的方法。例如。已在 Rcpp 中编码的内容。

我的背景是我正在拟合一个具有大量变量（固定效应）的模型。然而，我对这些系数不感兴趣，我只关心推断一个系数（下例中的 X 系数）。

快速解决方案

???

慢解1

library(sandwich)
lmfe<-lm(Y ~ X + factor(strata_ids))
coeftest(lmfe, vcov = vcovHC(lmfe, "HC1"))

慢解2

我从here得到的手动解决方案是：

summaryw <- function(model) {
  s <- summary(model)
  X <- model.matrix(model)
  u2 <- residuals(model)^2
  XDX <- 0

  ## Here one needs to calculate X'DX. But due to the fact that
  ## D is huge (NxN), it is better to do it with a cycle.
  for(i in 1:nrow(X)) {
    XDX <- XDX + u2[i]*X[i,]%*%t(X[i,])
  }

  # inverse(X'X)
  XX1 <- solve(t(X)%*%X)

  # Variance calculation (Bread x meat x Bread)
  varcovar <- XX1 %*% XDX %*% XX1

  # degrees of freedom adjustment
  dfc <- sqrt(nrow(X))/sqrt(nrow(X)-ncol(X))

  # Standard errors of the coefficient estimates are the
  # square roots of the diagonal elements
  stdh <- dfc*sqrt(diag(varcovar))

  t <- model$coefficients/stdh
  p <- 2*pnorm(-abs(t))
  results <- cbind(model$coefficients, stdh, t, p)
  dimnames(results) <- dimnames(s$coefficients)
  results
}

Answer 1

这个问题已经有一个很好的答案（即使用lfe::felm()）。

要获得更快的方法，请尝试新的 fixest 包。使用 OP 示例，

library(fixest)
mod = feols(Y ~ X | strata_ids, data = dat)

## SEs are automatically clustered by the strata_ids FE
mod

## We can compute other SEs on the fly with summary.fixest(), e.g.
summary(mod, se = 'standard') ## vanilla
summary(mod, se = 'white') ## HC
# etc

更一般的教训是避免建模 fixed-effects 作为 R 中的因素......或任何其他语言 TBH。这相当于 DV 方法，并且总是很慢。相反，您需要使用利用 FWL 或其他优化估计方法的 purpose-built 包。

R 中计算异方差稳健标准误差的有效方法

Efficient way to compute Heteroscedasticity Robust standard errors in R

statistics

standards

r