HAC估计量

HAC估计量 (HAC Estimator)

HAC估计量（Heteroskedasticity and Autocorrelation Consistent Estimator，异方差与自相关一致估计量）是计量经济学中用于在存在任意形式的异方差和自相关时，一致地估计OLS回归系数协方差矩阵的一类非参数方法。其核心思想来源于Whitney Newey与Kenneth West1987年的经典论文，因此常被称为Newey-West标准误。HAC估计量使得研究者无需对误差项的序列相关结构施加任何参数假设，就能构造出在大样本下有效的t统计量、F统计量和置信区间，是时间序列回归分析中最常用的稳健推断工具。

HAC估计量的理论根基是谱密度矩阵在频率零处的估计。在平稳时间序列设定下，OLS估计量$\hat{\beta}$的渐近方差为$\text{Avar}(\hat{\beta}) = Q^{-1} \Omega Q^{-1}$，其中$Q = \text{plim } X'X/T$，而$\Omega = \lim_{T\to\infty} \text{Var}(T^{-1/2} X'u)$是误差项与解释变量乘积过程的长期方差。HAC估计量的本质就是通过对样本自协方差的加权求和，一致地估计这个长期方差矩阵$\Omega$。

HAC估计的构造

给定OLS回归$y_t = x_t'\beta + \varepsilon_t$（$t=1,\dots,T$），令$v_t = x_t \hat{\varepsilon}_t$为解释变量与残差的乘积向量。HAC协方差矩阵估计量的一般形式为：

其中$\hat{\Gamma}(j) = T^{-1} \sum_{t=|j|+1}^{T} v_t v_{t-j}'$为样本自协方差矩阵（$j \ge 0$时，$j<0$时取转置），$k(\cdot)$为核函数（kernel），$b_T$为带宽（bandwidth，也称截断参数）。最终HAC方差估计为：

核函数$k(z)$决定了不同阶数自协方差的权重衰减方式。标准要求$k(0)=1$，$k(z)=k(-z)$，且$k(z)$在$|z|>1$时为零（即截断）。常见的核函数包括：

Bartlett核：$k(z) = 1 - |z|$（当$|z| \le 1$），等价于对所有$|j| \le b_T$的自协方差赋予线性递减权重。Bartlett核保证$\hat{\Omega}_{\text{HAC}}$正半定，是Newey-West原始论文的默认选择，也是大多数计量软件（Stata的\texttt{newey}命令、R语言的\texttt{sandwich}包）的默认方案。

Parzen核：$k(z) = 1 - 6z^2 + 6|z|^3$（$|z| \le 1/2$）和$k(z) = 2(1-|z|)^3$（$1/2 < |z| \le 1$），具有更平滑的衰减特性。

二次谱核（Quadratic Spectral, QS）：$k(z) = 25/(12\pi^2 z^2) \cdot (\sin(6\pi z/5)/(6\pi z/5) - \cos(6\pi z/5))$。QS核在所有核中具有最优的渐近均方误差（根据Andrews1991年的经典工作），但它不严格截断，而是以$1/z^2$速率拖尾衰减，因此实现上需对所有$T-1$阶自协方差求和。

Tukey-Hanning核：$k(z) = (1 + \cos(\pi z))/2$（$|z| \le 1$），在某些应用中与Bartlett核性能相近。

带宽选择

带宽$b_T$决定了被纳入估计的自协方差的最大阶数，是HAC估计量有限样本性质的关键调节参数。$b_T$过小将遗漏高阶自相关导致偏差，过大则将过多噪声引入估计导致方差膨胀。

Andrews自动带宽（1991）：基于最小化HAC估计量的渐近截尾均方误差，Andrews建议$b_T = c \cdot T^{1/3}$（Bartlett核）或$b_T = c \cdot T^{1/5}$（QS核），其中比例常数$c$取决于数据的自相关结构——通过拟合AR(1)模型估计一阶自相关系数$\hat{\rho}=\hat{\alpha}_1/(1-\hat{\alpha}_1)$（来自$v_t$对$v_{t-1}$回归的系数与残差方差）来确定。具体而言：

Newey-West固定带宽：最朴素的规则是$b_T = \lfloor 4(T/100)^{2/9} \rfloor$，与样本量的$2/9$次幂成比例，适用于中等规模的宏观经济时间序列。

Sun-Phillips-Ihaka带宽：近年来发展的数据驱动方法，利用更高阶的自相关拟合改进有限样本表现，尤其适用于强自相关的小样本情形。

与White异方差稳健标准误的关系

White标准误（Huber-White，也称HC估计量）可视为HAC估计量在带宽$b_T = 0$时的退化特例：只保留第零阶自协方差$\hat{\Gamma}(0) = T^{-1}\sum_{t=1}^{T} v_t v_t'$，等价于假设不存在自相关但允许任意形式的异方差。HAC估计量则在此基础上进一步放松了无自相关的假设，将异方差稳健性与自相关稳健性统一在一个框架内。

更一般地，计量经济学中稳健标准误形成了一个层次体系：HC（异方差一致）→ HAC（异方差与自相关一致）→ Cluster-Robust（聚类稳健，适用于面板数据中的组内任意相关）→ Driscoll-Kraay（空间与时间双向HAC，适用于大$N$大$T$面板）。

预白化与核方法的改良

预白化（Prewhitening）：在应用HAC估计量之前，先对$v_t$拟合低阶向量自回归（VAR）模型滤除可预测的自相关成分，对残差应用核估计后再通过VAR系数还原长期方差。Andrews和Monahan（1992）证明预白化后的QS核HAC估计量在强自相关情形下具有更优的有限样本性质——偏差显著缩小，检验的水平扭曲（size distortion）得到改善。

无预白化的HAC检验在自相关很强（如$\rho \approx 0.9$）且样本量较小时，对零假设的拒绝率远高于名义水平（常见于宏观经济应用中）。预白化的成本是增加了一个额外的模型选择步骤（VAR阶数），在实践中可通过AIC或BIC自动确定。

应用与注意事项

HAC标准误在实证宏观经济学、金融计量学和政策评估中应用广泛，几乎成为时间序列回归报告结果的标配。例如，在估计菲利普斯曲线、检验有效市场假说或评估货币政策冲击时，误差项几乎必然同时呈现异方差与序列相关——HAC标准误为这些应用提供了统一的稳健推断框架。

需要注意的是：HAC估计量是一致但并非无偏的，在小样本下倾向于低估标准误，可能导致过度拒绝零假设。对于样本量极小的应用（如$T<50$），传统做法是结合固定效应、FGLS（可行广义最小二乘法）或Bootstrap方法进行稳健性检验。此外，HAC估计量假设误差过程是平稳的且自相关结构不依赖于解释变量的特定取值——当这些条件不成立时，需要进一步诉诸于聚类稳健标准误或空间HAC等方法。

在实际计算中，主流计量软件均提供HAC标准误的内置实现。Stata的\texttt{newey}命令和\texttt{ivreg2}的\texttt{bw(auto)}选项支持自动带宽选择；R语言的\texttt{sandwich}包中的\texttt{vcovHAC()}函数允许用户指定核函数类型与带宽；Python\texttt{statsmodels}的\texttt{get\_robustcov\_results}方法也提供了类似的HAC选项。这些实现均默认使用Andrews自动带宽与Bartlett核，平衡了计算简便性与统计效率。

从更广阔的视角看，HAC估计量体现了现代计量经济学的一个核心方法论原则：当对误差结构的确切形式缺乏先验知识时，应尽可能使用对误差结构稳健的推断方法，以最大程度降低模型误设的风险。一致估计、非参数方法和核光滑这三个概念的融合，使HAC估计量成为这一原则的绝佳实践体现。其在面板数据中的扩展——如群集标准误和Driscoll-Kraay标准误——进一步说明了这一方法的生命力和通用性。