Newey-West-Standardfehler
In diesem Beitrag
Was versteht man unter Newey-West-Standardfehlern?
Newey-West-Standardfehler sind eine spezielle Art robuster Standardfehler für Regressionsmodelle, die gleichzeitig zwei häufige Probleme in Zeitreihendaten berücksichtigen: Heteroskedastizität (ungleiche Varianz der Fehlerterme) und Autokorrelation (Abhängigkeit der Fehlerterme über die Zeit). Der Name leitet sich von den Ökonometriken Whitney Newey und Kenneth West ab, die diesen Schätzer 1987 vorstellten.
Der Schätzer gehört zur Familie der HAC-Schätzer (Heteroskedasticity and Autocorrelation Consistent). Technisch gesprochen ersetzt er die klassische Varianz-Kovarianz-Matrix der Koeffizienten durch eine robuste Schätzung, die Korrelationen zwischen den Residuen bis zu einem bestimmten zeitlichen Abstand – der sogenannten Bandbreite (engl. bandwidth oder lag truncation parameter) – einbezieht. Die Gewichtung dieser Korrelationen nimmt mit zunehmendem Abstand ab, sodass weit entfernte Zeitpunkte weniger stark ins Gewicht fallen.
Varianz-Kovarianz-Matrix (vereinfacht)
Dabei steht X für die Designmatrix, S für die HAC-Schätzung der langfristigen Varianz der gewichteten Residuen und n für die Anzahl der Beobachtungen.
Warum sind Newey-West-Standardfehler für statistische Analysen wichtig?
In der Regressionsanalyse setzen die klassischen OLS-Standardfehler (Ordinary Least Squares) voraus, dass die Fehlerterme unkorreliert sind und eine konstante Varianz aufweisen. In der Praxis – besonders bei Zeitreihendaten – sind beide Annahmen häufig verletzt:
- Autokorrelation: Wirtschaftliche oder soziale Prozesse haben oft ein „Gedächtnis“. Der Fehler von heute hängt vom Fehler gestern ab.
- Heteroskedastizität: Die Streuung der Fehler kann sich über die Zeit verändern, etwa in Krisenzeiten stärker schwanken als in stabilen Phasen.
Werden diese Verletzungen ignoriert, sind die OLS-Koeffizientenschätzer zwar noch unverzerrt, aber die Standardfehler werden falsch geschätzt. Die Folge: t-Statistiken und p-Werte sind nicht mehr zuverlässig, und Hypothesentests können zu falschen Ergebnissen führen.
Newey-West-Standardfehler lösen dieses Problem, indem sie nur die Standardfehler korrigieren – die Koeffizienten selbst bleiben die gleichen OLS-Schätzer. Ein wichtiger Parameter ist dabei die Bandbreite: Sie legt fest, wie viele vergangene Perioden (Lags) bei der Korrektur berücksichtigt werden. Eine zu kleine Bandbreite korrigiert unzureichend, eine zu große kann bei kleinen Stichproben instabil werden. Eine häufig verwendete Faustregel ist eine Bandbreite von .
NeweyWest()), in Stata über die Option newey und in Python über statsmodels mit cov_type='HAC'. Praxisbeispiel zu Newey-West-Standardfehlern
Eine Forscherin untersucht, ob das monatliche Bruttoinlandsprodukt (BIP-Wachstum) den privaten Konsum erklärt. Sie schätzt eine einfache lineare Regression mit Quartalsdaten über 10 Jahre (n = 40 Beobachtungen).
Nach der Schätzung prüft sie die Residuen und stellt mit dem Breusch-Godfrey-Test signifikante Autokorrelation fest. Ein Vergleich der Standardfehler zeigt den typischen Effekt der Korrektur:
| Koeffizient | Schätzwert | OLS-Standardfehler | Newey-West-Standardfehler |
|---|---|---|---|
| Konstante | 0,42 | 0,09 | 0,14 |
| BIP-Wachstum | 0,67 | 0,11 | 0,18 |
Die Newey-West-Standardfehler sind deutlich größer als die klassischen OLS-Standardfehler. Das bedeutet: Die klassischen Standardfehler haben die Präzision der Schätzung überschätzt. Auf Basis der korrigierten Standardfehler würde die Forscherin konservativere Schlussfolgerungen ziehen – was die Validität ihrer Ergebnisse erhöht. Der Koeffizient für das BIP-Wachstum bleibt bei 0,67, wird aber nun mit einem größeren Unsicherheitsbereich berichtet.
