Для OLS вы можете себе представить, что вы используете расчетную дисперсию невязок (в предположении независимости и гомоскедастичности) в качестве оценки условной дисперсии s. В оценщике на основе сэндвича вы используете наблюдаемые квадратичные невязки в качестве плагина для оценки той же самой дисперсии, которая может варьироваться между наблюдениями.Yя
вар ( β^) = ( XТИкс)- 1( XТdiag ( var ( Y)| Икс) ) X) (XТИкс)- 1
В обычной оценке стандартной ошибки наименьших квадратов для оценки коэффициента регрессии условная дисперсия результата рассматривается как постоянная и независимая, так что ее можно оценить последовательно.
варˆO L S( β^) = ( XТИкс)- 1( г2ИксТИкс) ( XТИкс)- 1
Для сэндвича мы отказываемся от согласованной оценки условной дисперсии и вместо этого используем плагиновую оценку дисперсии каждого компонента с использованием квадрата остатка
варˆр SЕ( β^) = ( XТИкс)- 1( XТDiag ( R2я) X) ( XТИкс)- 1
Используя оценку дисперсии плагина, мы получаем непротиворечивые оценки дисперсии по центральной предельной теореме Ляпунова.β^
Интуитивно понятно, что эти наблюдаемые квадратные остатки уничтожат любую необъяснимую ошибку из-за гетероскедастичности, которая в противном случае была бы неожиданной в предположении постоянной дисперсии.