我正在使用 R 中的 plm 包运行池化 OLS 回归。不过，我的问题更多是关于基本统计数据，所以我先尝试将其发布在这里；）
由于我的回归结果产生异方差残差，我想尝试使用异方差稳健标准误差。结果，coeftest(mod, vcov.=vcovHC(mod, type="HC0"))我得到了一个表格，其中包含每个自变量的估计值、标准误差、t 值和 p 值，这基本上是我的“稳健”回归结果。
为了讨论不同变量的重要性，我想绘制每个自变量解释的方差份额，所以我需要各自的平方和。但是，使用 function aov()，我不知道如何告诉 R 使用稳健的标准错误。
现在我的问题是：如何获得涉及稳健标准误差的 ANOVA 表/平方和？是否可以根据具有正常标准误差的回归的 ANOVA 表来计算它？
编辑：
换句话说，无视我的 R 问题：
如果 R不受使用稳健标准误差的影响，不同解释变量对解释方差的贡献是否也保持不变？
编辑：
在 R 中，aov(mod)实际上是否为面板模型（plm）提供了正确的方差分析表？
线性回归模型中的 ANOVA 等效于相应嵌套模型的 Wald 检验（和似然比检验）。因此，当您想使用异方差一致 (HC) 标准误差进行相应的检验时，这无法从平方和的分解中获得，但您可以使用 HC 协方差估计进行 Wald 检验。这个想法在包Anova()和包和包中都有使用。后三个也可以与对象一起使用。linearHypothesis()carcoeftest()waldtest()lmtestplm
下面是一个简单（尽管不是很有趣/有意义）的示例。我们使用手册页中的标准模型，并希望对和?plm的显着性进行 Wald 检验。我们需要这些包：log(pcap)unemp
library("plm")
library("sandwich")
library("car")
library("lmtest")
模型（在替代方案下）是：
data("Produc", package = "plm")
mod <- plm(log(gsp) ~ log(pc) + log(emp) + log(pcap) + unemp,
data = Produc, index = c("state", "year"))
首先，让我们看一下所有单个系数的 HC 标准误差的边际 Wald 检验：
coeftest(mod, vcov = vcovHC)
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
log(pc) 0.2920069 0.0617425 4.7294 2.681e-06 ***
log(emp) 0.7681595 0.0816652 9.4062 < 2.2e-16 ***
log(pcap) -0.0261497 0.0603262 -0.4335 0.66480
unemp -0.0052977 0.0024958 -2.1226 0.03411 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
log(pcap)然后我们对和进行 Wald 测试unemp：
linearHypothesis(mod, c("log(pcap)", "unemp"), vcov = vcovHC)
Linear hypothesis test
Hypothesis:
log(pcap) = 0
unemp = 0
Model 1: restricted model
Model 2: log(gsp) ~ log(pc) + log(emp) + log(pcap) + unemp
Note: Coefficient covariance matrix supplied.
Res.Df Df Chisq Pr(>Chisq)
1 766
2 764 2 7.2934 0.02608 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
或者，我们也可以在没有两个系数的情况下在原假设（mod0比如说）下拟合模型，然后调用waldtest()：
mod0 <- plm(log(gsp) ~ log(pc) + log(emp),
data = Produc, index = c("state", "year"))
waldtest(mod0, mod, vcov = vcovHC)
Wald test
Model 1: log(gsp) ~ log(pc) + log(emp)
Model 2: log(gsp) ~ log(pc) + log(emp) + log(pcap) + unemp
Res.Df Df Chisq Pr(>Chisq)
1 766
2 764 2 7.2934 0.02608 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
linearHypothesis()由和计算的检验统计量和 p 值waldtest()完全相同。只是界面和输出格式有些不同。在某些情况下，其中一种更简单或更直观。
注意：如果您提供协方差矩阵估计（即矩阵，如vocvHC(mod)）而不是协方差矩阵估计器（即，函数vocvHC，如非限制模型。
这可以通过包Anova中的函数来完成car。有关更多详细信息以及对处理 ANOVA 中异方差性的其他技术的评论，请参阅此出色答案。