使用稳健的标准误已成为经济学中的常见做法。稳健标准误差通常大于非稳健（标准？）标准误差，因此这种做法可以被视为保守的努力。

在大样本中（例如，如果您正在处理具有数百万个观测值的人口普查数据或具有“仅”数千个观测值的数据集），异方差检验几乎肯定会出现阳性结果，因此这种方法是合适的。

对抗异方差的另一种方法是加权最小二乘法，但这种方法已被忽视，因为它改变了参数的估计值，这与使用稳健标准误差不同。如果你的权重不正确，你的估计就有偏差。但是，如果您的权重是正确的，那么您会得到比具有稳健标准错误的 OLS 更小的（“更有效”）标准错误。

稳健标准误差提供了异方差下的无偏标准误差估计。有几本统计教科书提供了关于稳健标准误差的大量和冗长的讨论。以下网站提供了关于稳健标准错误的较为全面的总结：

https://economictheoryblog.com/2016/08/07/robust-standard-errors/

回到你的问题。使用稳健的标准误差并非没有注意事项。根据 Woolridge（2009 年版，第 268 页）使用稳健标准误差，如果样本量很大，获得的 t 统计量仅具有与精确 t 分布相似的分布。如果样本量很小，使用稳健回归获得的 t-stats 可能具有不接近 t 分布的分布。这可能会引发推理。此外，在同方差的情况下，稳健的标准误差仍然是无偏的。但是，它们效率不高。也就是说，传统的标准误差比稳健的标准误差更精确。最后，使用稳健的标准误差是许多学术领域的常见做法。

在Introductory Econometrics（Woolridge，2009 年版，第 268 页）中解决了这个问题。Woolridge 说，当使用稳健标准误差时，如果样本量很大，获得的 t 统计量仅具有与精确 t 分布相似的分布。如果样本量很小，使用稳健回归获得的 t-stats 可能具有不接近 t 分布的分布，这可能会导致推断失败。

避免使用稳健标准误差的原因有很多。从技术上讲，发生的事情是，方差会被你在现实中无法证明的权重加权。因此，鲁棒性只是一种修饰工具。一般来说，您应该考虑更改模型。

以更好的方式处理异质性有很多含义，而不仅仅是描绘数据中出现的问题。以此作为切换机型的标志。这个问题与如何处理异常值的问题密切相关。有些人只是删除它们以获得更好的结果，在使用稳健标准错误时几乎相同，只是在另一种情况下。