Můj názor je takový, že přinejmenším v (aplikované) ekonometrii je stále častěji normou používat robustní nebo empirickou kovarianční matici než „anachronickou praxi“ spoléhání se (asymptoticky) na správnou specifikaci kovarianční matice . To samozřejmě není bez diskuse: viz některé z odpovědí, které jsem zde odkazoval na CrossValidated, ale je to určitě jasný trend.
Mezi příklady patří standardní chyba robustní heteroscedasticity (standardní chyby Eicker-Huber-White). Někteří vědci jako Angrist a Pischke zjevně doporučují vždy používat heteroscedasticitu robustní standardní chybu místo „anachronického“ postupu, aby jako výchozí použili normální standardní chybu a zkontrolovali, zda je předpoklad E [uu '] = \ sigma ^ 2 I_n $ je zaručeno.
Mezi další příklady patří data panelu, Imbens a Wooldridge píšou například na svých přednáškových slidech argumentují proti použití kovarianční matice variance náhodných efektů (implicitně předpokládá určitou specifikaci odchylky v komponentě variance jako výchozí ):
K dispozici je plně robustní odvození, které by se mělo obecně používat. (Poznámka: Obvyklou matici odchylek RE, která závisí pouze na $ \ sigma_c ^ 2 $ a $ \ sigma_u ^ 2 $, není nutné správně specifikovat! Stále má smysl ji používat při odhadu, ale učinit inference robustní.)
Při použití zobecněných lineárních modelů (pro distribuce, které patří do exponenciální rodiny) se často doporučuje používat vždy takzvaný sendvičový odhad, spíše než se spoléhat na správné distribuční předpoklady (zde anachronická praxe) : viz například tato odpověď nebo Cameron s odkazem na počítání dat, protože odhad pseudo-maximální pravděpodobnosti může být v případě chybné specifikace docela flexibilní (např. pomocí Poissona, pokud by byl záporný binomál správný).
Takové [bílé] standardní opravy chyb musí být provedeny pro Poissonovu regresi, protože mohou způsobit mnohem větší rozdíl než podobné opravy heteroskedasticity pro OLS.
Greene píše ve svém učebnice v kapitole 14 (k dispozici na jeho webových stránkách) například s kritickou poznámkou a podrobněji pojednává o výhodách a nevýhodách této praxe:
Existuje trend v současná literatura k výpočtu tohoto [sendvičového] odhadu rutinně, bez ohledu na funkci pravděpodobnosti. * [...] * Ještě jednou zdůrazňujeme, že sendvičový odhadce sám o sobě nemusí být nutně jakékoli ctnosti, pokud je funkce pravděpodobnosti zadáno a ostatní podmínky pro odhad M nejsou splněny.