如何在R中实现含聚类标准误的子样本系数检验对比？

当需要按year聚类计算标准误时，普通的anova()无法直接使用（因为它依赖模型的默认方差估计，而非聚类稳健方差），且coeftest输出的结果对象不能直接传入anova()。以下是两种可行的解决方案：

方法1：使用lmtest包的waldtest()对比模型 #

waldtest()支持传入自定义的方差协方差矩阵，可直接对约束模型（reduced）和无约束模型（full）进行稳健F检验，逻辑和你原有的anova()完全一致：

library(lmtest)
library(sandwich)

# 拟合原模型
full_model <- lm(y ~ v1*subsample_dummy + fixed_effects, data=df)
reduced_model <- lm(y ~ v1 + subsample_dummy + fixed_effects, data=df)

# 生成按year聚类的方差协方差矩阵
clustered_vcov <- vcovCL(full_model, ~ year)

# 执行稳健Wald检验，验证是否可去掉交互项
robust_anova <- waldtest(full_model, reduced_model, vcov = clustered_vcov)
print(robust_anova)

方法2：直接检验交互项的显著性 #

你的原检验本质是验证v1:subsample_dummy的系数是否为0（即两个子样本中v1的系数无差异），因此可以直接对full_model中的交互项做稳健t检验，结果和上述Wald检验等价（单约束条件下，Wald F统计量是t统计量的平方）：

# 对full_model执行聚类稳健系数检验
interact_test <- coeftest(full_model, vcov. = vcovCL(full_model, ~ year))
# 提取交互项的检验结果
print(interact_test["v1:subsample_dummy", ])

如果需要多约束的联合检验，可使用car包的linearHypothesis()：

library(car)
# 指定约束条件：交互项系数为0
robust_hypo_test <- linearHypothesis(full_model, 
                                     hypothesis.matrix = "v1:subsample_dummy = 0",
                                     vcov = vcovCL(full_model, ~ year))
print(robust_hypo_test)

关键说明 #

• 普通anova()使用模型的残差方差估计，未考虑聚类结构，在存在聚类相关性的场景下结果不可靠。
• coeftest()输出的是系数检验表，并非模型对象，因此无法传入anova()进行模型对比。

内容的提问来源于stack exchange，提问作者fsure