在對線性模型應用對比之前解決組之間的不等方差？ (r)

Question

我的目標：我有一個有序因子變量（5 個級別），我想對其應用對比來測試線性趨勢。 然而，因子組具有方差異質性。

我所做的：根據推薦，我使用了robust pckg 中的lmRob()來創建一個強大的線性模型，然后應用對比。

# assign the codes for a linear contrast of 5 groups, save as object
contrast5 <- contr.poly(5)

# set contrast property of sf1 to contain the weights
contrasts(SCI$sf1) <- contrast5

# fit and save a robust model (exhaustive instead of subsampling)
robmod.sf1 <- lmRob(ICECAP_A ~ sf1, data = SCI, nrep = Exhaustive)

summary.lmRob(robmod.sf1)

我的問題：從那以后，我一直在讀到穩健回歸更適合解決異常值，而不是方差的異質性。 （ https://stats.idre.ucla.edu/r/dae/robust-regression/_ 的底部）加州大學洛杉磯分校的這個頁面（以及其他頁面）建議使用sandwich包來獲得異方差一致（HC）標准錯誤（例如在https://thestatsgeek.com/2014/02/14/the-robust-sandwich-variance-estimator-for-linear-regression-using-r/ ）。

但是這些示例使用一系列函數/調用來生成輸出，為您提供可用於計算置信區間、t 值、p 值等的 HC。

我的想法是，如果我使用vcovHC() ，我可能會得到 HC std 錯誤，但是 HC std 錯誤不會被“應用”/模型的屬性，所以我無法通過模型（使用 HC錯誤）通過一個函數來應用我最終想要的對比。 我希望我不會將兩個獨立的概念混為一談，但是如果一個函數處理/降低異常值的權重，那至少也應該在某種程度上解決不平等的差異？

任何人都可以確認我的推理是否合理（因此保留lmRob() ？或者建議我如何糾正我的標准錯誤並仍然應用對比？

Answer 1

vcovHC是處理異方差的正確函數。 HC 代表異方差一致估計量。 這不會降低模型效應估計中的異常值的權重，但它會以不同的方式計算 CI 和 p 值，以適應此類異常觀察的影響。 lmRob會降低外圍值的權重，並且不會處理異方差

在此處查看更多信息： https : //stats.stackexchange.com/questions/50778/sandwich-estimator-intuition/50788#50788