Python 做怀特异方差一致稳健标准误估计

一、目的：本文介绍用 python 做怀特异方差一致稳健标准误估计的方法。

二、参考文献

可参考这位前辈的文章：【Python计量】异方差性的处理_回归模型存在异方差应该怎么处理-CSDN博客

三、数据

数据如下，来自潘省初、周凌瑶教授的《计量经济学（第7版）》第120页的实例中的数据。

Country	C	Y
1	6561	3393.1
2	1301	965.7
3	14938	32624.6
4	2904	4334.5
5	446	525.4
6	3801	9563.1
7	13926	37056.3
8	1877	3541.3
9	13761	36183.5
10	861	1096.8
11	1568	3108.9
12	8025	16695
13	12813	41133.5
14	3811	13293.5
15	285	382.8
16	324	323.6
17	4762	6944.4
18	2485	3668.8
19	1431	2910.4
20	3610	2049.8
21	4096	2028.3
22	986	1417.8
23	9727	25143.1
24	1219	1332.9
25	11861	21192.1
26	11594	29188.1
27	528	732.2
28	622	970.1
29	19402	36597.9
30	439	514.1
31	727	2541.5

四、模型与主要代码

这里主要展示了关键代码部分，其它代码略去。

在 smf 中，gls 可以替换为 ols，但由于 ols 是 gls 的特例，或者说 gls 是 ols 的广义化，个人习惯上用 gls。

代码中的 cov_type='HC0'，对应的就是怀特1980异方差稳健标准误方法。

import statsmodels.formula.api as smf

model=smf.gls("C~Y",data=df,sigma=None)
result=model.fit(cov_type='HC0')
print(result.summary())

得到的结果如下：

你可能会问，和潘、周两位教授的书上的结果不一样啊？

这里需要特别解释一下，书里用的是 Eviews 里的怀特异方差稳健标准误的结果，其实 Eviews 那里不是 "怀特1980异方差稳健标准误方法"，而是 "迈克金农-怀特1985异方差稳健标准误方法".当我们将上述代码中的 HC0 改为 HC1，就是"迈克金农-怀特1985异方差稳健标准误方法"了，得到的结果如下：