Heteroskedastizitätsrobuste

Heteroskedastizitätsrobuste Methoden beziehen sich auf Schätz- und Inferenzverfahren in Statistik und Ökonometrie, die zuverlässig bleiben, wenn die Varianz der Fehlerterme heteroskedastisch variiert. In linearen Regressionsmodellen bleiben die gewöhnlichen Kleinstquadrate-Schätzer (OLS) konsistent, doch die Standardfehler sind unter Heteroskedastizität nicht mehr gültig. Heteroskedastizitätsrobuste Schätzungen korrigieren diese Standardfehler, sodass Hypothesentests und Konfidenzintervalle auch bei variierender Fehlervarianz sinnvoll interpretierbar bleiben.

Die bekannteste Klasse sind heteroskedastizitätsrobuste Varianz-Schätzer (HC-Schätzer). Sie werden oft als HC0 bis HC3 bezeichnet und bilden eine sogenannte Sandwich-Kovarianzmatrix, die die Standardfehler der Koeffizienten unter Heteroskedastizität robust macht. White (1980) legte eine generalisierte Form dieser Schätzer vor. Für Zeitreihen existieren Erweiterungen wie der Newey-West-Schätzer, der zusätzlich Autokorrelation berücksichtigt.

Anwendung: In vielen Statistik-Softwarepaketen aktiviert man robuste Standardfehler über Optionen wie cov_type oder vce(robust). Die daraus resultierenden t-Statistiken und p-Werte liefern im Regelfall zuverlässigere Inferenz unter Heteroskedastizität. Die Koeffizienten selbst werden durch OLS nicht verändert; es geht primär um die Inferenzrobustheit.

Einschränkungen: Robustheit gilt vor allem in größeren Stichproben; in kleinen müssen Korrekturen sorgfältig interpretiert werden. Robuste Standardfehler adressieren Inferenzprobleme durch Heteroskedastizität, beseitigen aber nicht notwendigerweise Modellmisspecification, endogene Variablen oder Omitted-Variable-Bias.