linearmodels与statsmodels的标准误差估计结果差异问询

在面板数据分析场景下，使用linearmodels的PanelOLS与statsmodels的ols进行聚类标准误差估计时，参数估计值高度接近，但标准误差（SE）估计结果差异显著。以下是可复现代码及对应结果：

linearmodels PanelOLS 实现 #

import pandas as pd
import numpy as np

# 构造面板数据索引：外层为个体，内层为时间
entity = list(map(chr, range(65, 91)))
time = list(pd.date_range('1-1-2014', freq='A', periods=4))
index = pd.MultiIndex.from_product([entity, time])
df = pd.DataFrame(np.random.randn(26*4, 2), index=index, columns=['y','x'])

from linearmodels.panel import PanelOLS
mod = PanelOLS(df.y, df.x, entity_effects=True)
res = mod.fit(cov_type='clustered', cluster_entity=True)
print(res)

运行结果：

• 参数估计值：-0.1425
• 标准误差估计值：0.1396

statsmodels OLS 实现 #

import statsmodels.formula.api as smf

df = df.reset_index()
lm = smf.ols('y ~ x - 1 + C(level_0)', df).fit(cov_type='cluster', cov_kwds={'groups': df['level_0']})
print(lm.params['x'], lm.bse['x'])

运行结果：

• 参数估计值：-0.14249279008084645
• 标准误差估计值：0.16390753835717325

可见二者的标准误差结果差距明显。

内容的提问来源于stack exchange，提问作者StatsNoob