Mi opinión es que, al menos en econometría (aplicada), es cada vez más la norma usar la matriz de covarianza robusta o empírica en lugar de la "práctica anacrónica" de confiar (asintóticamente) en la especificación correcta de la matriz de covarianza. Por supuesto, esto no está exento de controversia: vea algunas de las respuestas que vinculé aquí en CrossValidated, pero sin duda es una tendencia clara.
Los ejemplos incluyen el error estándar robusto de heteroscedasticidad ( errores estándar de Eicker-Huber-White). Aparentemente, algunos investigadores como Angrist y Pischke aconsejan usar siempre un error estándar robusto de heteroscedasticidad en lugar del procedimiento "anacrónico" para usar el error estándar normal como predeterminado y verificar si la suposición está justificada.E[uu′]=σ2In
Otros ejemplos incluyen datos de panel, Imbens y Wooldridge escriben, por ejemplo, en sus diapositivas de conferencias argumentando en contra del uso de la matriz de covarianza de varianza de efectos aleatorios (suponiendo implícitamente alguna especificación errónea en el componente de varianza por defecto):
La inferencia totalmente robusta está disponible y generalmente debe usarse. (Nota: ¡la matriz de varianza RE habitual, que depende solo de y , no necesita especificarse correctamente! Todavía tiene sentido usarla en la estimación, pero hace que la inferencia sea robusta). σ 2 uσ2cσ2u
Usando modelos lineales generalizados (para distribuciones que pertenecen a la familia exponencial), a menudo se recomienda usar siempre el llamado estimador sándwich en lugar de confiar en supuestos de distribución correctos (la práctica anacrónica aquí): vea por ejemplo esta respuesta o la referencia de Cameron para contar datos porque la estimación de probabilidad de pseudo-máxima puede ser bastante flexible en el caso de una especificación errónea (por ejemplo, usar Poisson si el binomio negativo sería correcto).
Tales correcciones de error estándar [Blanco] deben hacerse para la regresión de Poisson, ya que pueden hacer una diferencia mucho mayor que las correcciones de heterocedasticidad similares para OLS.
Greene escribe en su libro de texto en el Capítulo 14 (disponible en su sitio web), por ejemplo, con una nota crítica y detalla más las ventajas y desventajas de esta práctica:
Existe una tendencia en la literatura actual para calcular este estimador [sándwich] de forma rutinaria, independientemente de la función de probabilidad. * [...] * Hacemos hincapié una vez más en que el estimador sándwich, en sí mismo, no es necesariamente de ninguna virtud si la función de probabilidad está mal especificada y las otras condiciones para el estimador M no se cumplen.