มุมมองของฉันคืออย่างน้อยที่สุดในเศรษฐมิติใช้ (มัน) มันเป็นบรรทัดฐานมากขึ้นที่จะใช้เมทริกซ์ความแปรปรวนร่วมที่แข็งแกร่งหรือเชิงประจักษ์มากกว่า "การปฏิบัติสมัย" ของการพึ่งพา (asymptotically) กับข้อกำหนดที่ถูกต้องของเมทริกซ์ความแปรปรวนร่วม แน่นอนว่าไม่ใช่โดยไม่มีข้อโต้แย้ง: ดูคำตอบบางส่วนที่ฉันเชื่อมโยงที่นี่ที่ CrossValidated แต่เป็นแนวโน้มที่ชัดเจน
E[uu′]=σ2In
ตัวอย่างอื่น ๆ ได้แก่ ข้อมูลพาเนล, Imbens และ Wooldridge เขียนตัวอย่างในสไลด์บรรยายของพวกเขาโต้แย้งกับการใช้เมทริกซ์ความแปรปรวนร่วมแบบสุ่มผลกระทบ (โดยปริยายสมมติว่าการสะกดผิดบางส่วนในองค์ประกอบความแปรปรวนเป็นค่าเริ่มต้น):
σ2cσ2u
โดยใช้แบบจำลองเชิงเส้นทั่วไป (สำหรับการกระจายซึ่งเป็นของครอบครัวชี้แจง) มักจะแนะนำให้ใช้มักจะเรียกว่าประมาณการแซนวิชมากกว่าอาศัยสมมติฐานการกระจายที่ถูกต้อง (การปฏิบัติสมัยที่นี่): ดูตัวอย่างคำตอบนี้หรือคาเมรอนหมาย ในการนับข้อมูลเนื่องจากการประมาณค่าความน่าจะเป็นแบบหลอกเทียมอาจมีความยืดหยุ่นค่อนข้างมากในกรณีของการสะกดผิด (เช่นใช้ปัวซองถ้าลบทวินามลบอย่างถูกต้อง)
การแก้ไขข้อผิดพลาดมาตรฐาน [White] เช่นนั้นต้องทำเพื่อการถดถอยของปัวซองเนื่องจากสามารถสร้างความแตกต่างที่ใหญ่กว่าการแก้ไข heteroskedasticity ที่คล้ายกันสำหรับ OLS
ตัวอย่างเช่นกรีนเขียนไว้ในตำราเรียนของเขาในบทที่ 14 (มีอยู่ในเว็บไซต์ของเขา) พร้อมหมายเหตุสำคัญและให้รายละเอียดเพิ่มเติมเกี่ยวกับข้อดีและข้อเสียของการฝึกนี้:
มีแนวโน้มในวรรณกรรมปัจจุบันที่จะคำนวณ [Sandwich] ตัวประมาณนี้เป็นประจำโดยไม่คำนึงถึงฟังก์ชั่นความน่าจะเป็น * [... ] * เราจะเน้นอีกครั้งว่าตัวประมาณแบบแซนวิชในตัวของมันเอง อาศัยอำนาจตามความเป็นจริงหากฟังก์ชันความน่าจะเป็นเป็นสิ่งที่ขาดหายไปและเงื่อนไขอื่น ๆ สำหรับตัวประมาณค่า M ไม่เป็นไปตาม