حين تتذكر الأخطاء
تفترض الأخطاء المعيارية العادية أن كل خطأ مستقل عن غيره. والعائدات المتداخلة تكسر ذلك: عائد يناير إلى مارس وعائد فبراير إلى أبريل يشتركان في شهرين فتتحرك أخطاؤهما معًا. تبقى المعاملات سليمة لكن أخطاءها المعيارية الكلاسيكية أصغر من اللازم وإحصاءات t أكبر من اللازم. وتصلح تغطية نيوي–ويست (HAC) ذلك. تبدأ من «الساندويتش» المعتاد (XᵀX)⁻¹ S (XᵀX)⁻¹ وتبني الوسط من حواصل xₜeₜ لكل صف وباقيه: S=Σₜeₜ²xₜxₜᵀ+ Σₖ₌₁^LwₖΣₜeₜeₜ₋ₖ (xₜxₜ₋ₖᵀ+ xₜ₋ₖxₜᵀ) حيث تقلّص أوزان بارتليت wₖ=1-k/(L+1) التغايرات الذاتية القديمة نحو الصفر وتبقي المصفوفة صالحة.
في statsmodels تحصل على المصفوفة نفسها بـ sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': L}) وتستعمل res.tvalues عندئذ الأخطاء المعيارية المتينة. وكتابتها يدويًا مرة تستحق العناء: ترى أنها تؤول مع صفر تأخيرات إلى تغاير وايت المتين لعدم تجانس التباين، وأن الارتباط الذاتي الموجب يجعل التباين المتين أكبر من الكلاسيكي، وأن اختيار التأخيرات حكم تقديري (قاعدة شائعة نحو طول التداخل). في عائدات SPY لثلاثة أشهر تبلغ 256 مشاهدة متداخلة من مايو 2005 إلى أغسطس 2026 متوسطها 2.78% وt الكلاسيكي 6.10. ومع نيوي–ويست ينخفض إلى 4.18 بتأخيرين وإلى 3.65 بستة تأخيرات: لا يزال دالًّا لكن الدليل أضعف مما أوحى به الرقم الأول.
- التداخل يعني ذاكرة: للعائدات المتداخلة أخطاء ذات ارتباط ذاتي فيبالغ إحصاء t الكلاسيكي في الدليل.
- الساندويتش: نيوي–ويست هي (X'X)^-1 S (X'X)^-1 حيث S مبنية من x_t e_t وتغايرات ذاتية موزونة ببارتليت.
- قارن المكتبة بصيغتك: حين تساوي مصفوفة يدوية مصفوفة المكتبة تفهم ما يفعله الخيار.
المختبر: ما الذي يُقيَّم
- عائدات متداخلة10 نقطة
- إحصاء t الكلاسيكي10 نقطة
- أوزان بارتليت10 نقطة
- نيوي–ويست يدويًا25 نقطة
- إحصاءات t الـ HAC مع statsmodels15 نقطة
- دراسة SPY30 نقطة