Python 回归标准误差聚类和对异方差的鲁棒性+；序列自相关

如标题所示，我正在尝试用python运行一个回归，其中标准错误是聚集的，并且对异方差和自相关（HAC）具有鲁棒性。我在

statsmodels

（

sm

）中工作，但显然愿意使用其他库（例如

linearmodels

）

如按id进行聚类，则代码为

sm.OLS.from_formula(formula='y ~ x', data=df).fit(cov_type='cluster', cov_kwds={'groups': df['id']}, use_t=True) 

sm.OLS.from_formula(formula='y ~ x', data=df).fit(cov_type='HAC', cov_kwds={'maxlags': max_lags}, use_t=True)

对于HAC标准错误，代码为

sm.OLS.from_formula(formula='y ~ x', data=df).fit(cov_type='cluster', cov_kwds={'groups': df['id']}, use_t=True) 

sm.OLS.from_formula(formula='y ~ x', data=df).fit(cov_type='HAC', cov_kwds={'maxlags': max_lags}, use_t=True)

---

鉴于

cov_类型

不能同时是

cluster

和

HAC

，在stats模型中似乎不可行？是这样吗，和/或是否有其他方法同时拥有这两种类型？

有两种面板HAC cov_类型

HAC groupsum

和

HAC panel

，但我只知道它们用于面板数据，但它们应该用于集群数据。据我记忆所及，有一些文献表明，在高度不平衡的数据中，它们不是很好（例如，比较美国各州的人口数据，这些州在规模上差异很大）

实现这一点的主要参考是Petersen的文章，例如

单元测试中有一些与Petersen比较的例子

当我们有两个（双向）集群时，Statsmodels也有集群健壮的标准错误

这些协方差矩阵的随机行为取决于大样本中的聚类数、时段数或两者都变大。

谢谢（也感谢您对statsmodels所做的一切！）