异方差与自相关稳健标准误

异方差与自相关稳健标准误（HAC）

异方差与自相关稳健标准误=也称HAC标准误（Heteroskedasticity and Autocorrelation Consistent Standard Errors）或纽维-韦斯特估计量（Newey-West estimator）→计量经济学中处理误差项同时存异方差与自相关时对普通最小二乘法（OLS）系数标准误的修正方法→确保在误差结构不确定时仍得一致推断。

背景与动机

经典OLS回归假设误差项独立同分布（i.i.d.），即零自相关且同方差。然实践中该假设常违：时间序列数据存自相关→当前误差与过去误差相关；横截面数据存异方差→误差方差随观测变化。误差结构若被忽略→高估或低估标准误→t统计量与F检验失效→虚假推断。

怀特稳健标准误（White, 1980）仅处理异方差，不适自相关。Newey与West（1987）推广怀特方法→提出同时稳健于异方差与自相关的一致协方差矩阵估计量。

核心思想

OLS估计量$\hat{\beta}$的协方差矩阵为

其中$\Omega = \mathrm{Var}(\varepsilon | X)$为误差协方差矩阵。经典假设下$\Omega = \sigma^2 I$→简化为$\sigma^2 (X'X)^{-1}$。当$\Omega$非对角且非标量时需一致估计。

Newey-West估计量使用核加权自协方差→对$X' \Omega X$的一致估计：

其中$\hat{u}_t$为OLS残差，$w_j = 1 - j/(L+1)$为Bartlett核权重，$L$为截断滞后阶数（带宽）。此加权方案保证协方差矩阵半正定。

带宽选择

带宽$L$决定纳入自协方差项数。选择关键：

• 经验规则：$L \approx T^{1/3}$或$L \approx 0.75 T^{1/3}$。
• 自动选择：Newey-West（1994）提出基于数据驱动的最优带宽选择法→最小化MSE。
• 欠小带宽：忽略长期自相关→标准误估计偏小。
• 过大带宽：纳入过多噪声项→估计量方差增大。

实践中建议做敏感性分析→报告不同带宽下的标准误。

与小样本修正

HAC标准误在有限样本中向下偏误（尤其当存在强自相关时）。常用修正：

• 有限样本调整：乘因子$T/(T-k)$（$k$为参数个数）。
• 预白化法（Prewhitening）：先拟合残差的AR模型→滤出自相关后再用HAC→最后还原。
• 折刀HAC（Jackknife HAC）：消除小样本偏误的再抽样方法。

与其他方法的比较

• 怀特标准误：仅稳健异方差→不适时间序列。
• 聚类稳健标准误：处理组内自相关→适用于面板/聚类数据。
• Driscoll-Kraay标准误：处理截面依赖与时间自相关→适用于大T面板。
• 可行性GLS：需指定误差结构模型→若误设比OLS更糟。

HAC标准误优点为无需指定误差的具体结构→任意形式的异方差与自相关下一致→适用于大样本渐近推断。

应用场景

常见于：

• 宏观时间序列回归：GDP增长率对利率的回归→误差自相关且存异方差。
• 金融收益率模型：ARCH/GARCH类残差有聚类波动→需HAC校正。
• 向量自回归（VAR）：脉冲响应函数的标准误常用HAC计算。
• 事件研究法：跨期累积异常收益率的检验中HAC处理截面与时间维度重叠。

局限与注意事项

• 渐近性质：HAC一致性依赖于带宽$L \to \infty$且$L/T \to 0$→有限样本未必稳健。
• 带宽敏感：不同带宽得不同标准误→需审慎选择与报告。
• 强自相关：自回归系数近1时HAC表现差→建议用自回归模型或差分后再分析。
• 不适用小样本：样本量不足时建议用异方差稳健自举法或置换检验。

综上，HAC标准误是计量分析中处理未知误差结构的重要工具→使推断结果更可信。