When Does Heteroskedasticity Matter? A Contrast-Specific Theory of Robust Inference
异方差何时影响推断：针对线性对比的稳健推断理论AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般线性回归对比的方差与稳健推断理论，未限定因果、面板、时间序列或金融目标，现有细分分类依据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
异方差何时影响推断：针对线性对比的稳健推断理论
- 研究问题
- 误差方差随协变量变化时，哪些变化会影响某个系数或线性组合的标准误，而哪些变化对该目标的一阶推断无关紧要？
- 方法与思路
- 作者用条件误差方差与目标特定杠杆分数的经验协方差分解稳健方差和合并方差的差异，并扩展至一般协方差结构及自助法。
- 材料陈述的贡献
- 摘要称，相关比率和标准误膨胀因子可精确刻画异方差的推断影响，并解释同一回归中稳健、聚类与自助标准误为何因系数而异。
- 阅读关注点
- 应核对固定设计下方差分解的定义与适用条件、理论量如何估计，以及存在非对角依赖时新增项与聚类标准误的关系。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明完整正则条件及有限样本下诊断量的可靠性。
原文摘要
Conventional heteroskedasticity diagnostics ask whether the conditional variance of the regression disturbance varies with covariates. This paper asks a different question: when does that variation matter for inference on the estimand of interest? The paper develops a contrast-specific theory characterizing when covariance perturbations are inferentially relevant. We show that, for any linear contrast $a'β$ in a linear regression, the difference between the heteroskedasticity-robust variance and the pooled fixed-design variance is governed by the empirical covariance between conditional error variance and a contrast-specific leverage score. Thus, heteroskedasticity may be present in the model yet first-order irrelevant for a particular coefficient or linear combination. Conversely, modest heteroskedasticity may have a large inferential effect if it is concentrated on observations that are highly informative for the contrast of interest. We characterize the effect exactly through a heteroskedasticity relevance ratio and a standard-error inflation factor, relate the result to pairs and residual bootstrap procedures, and extend the decomposition to general covariance structures, where off-diagonal dependence contributes a separate contrast-specific term. The results provide a unified way to understand why robust, clustered, and bootstrap standard errors can differ across coefficients in the same regression.