Precisión en la estimación e inferencia robusta en la investigación archivística

Las estimaciones por Mínimos Cuadrados Ordinarios (OLS) en modelos de regresión lineal se vuelven imprecisas cuando no se cumplen estrictamente las suposiciones de distribución sobre los errores de regresión. Tales situaciones ocurren frecuentemente en la investigación aplicada debido a las distribuciones de cola pesada de las variables dependientes. Usando datos simulados y entornos de replicación, mostramos cómo la estimación robusta de la regresión puede producir inferencias más relevantes para políticas al aumentar la precisión de las estimaciones, mejorar el poder de prueba y reducir los intervalos de confianza. Brindamos orientación a los investigadores sobre cuándo y cómo aplicar la estimación robusta como alternativa a OLS y cómo combinar estimadores de regresión robusta con efectos fijos y errores estándar agrupados. Dada la naturaleza no aleatoria de las observaciones que típicamente son disminuidas en peso por los estimadores robustos, también ilustramos la importancia de inspeccionar los pesos de la regresión robusta y discutimos cómo estos pesos pueden ofrecer perspectivas útiles sobre la heterogeneidad en efectos del tratamiento o relaciones de interés.