とAngusが書いている（Economist's View経由）。
There are a lot of things that drive me crazy about the current practice of econometrics. People who think over-identification tests validate their indentifying*1 assumptions. People who think that if you fail to reject the null at the 0.05 level, it's fine to proceed in your analysis as if the null was true (i.e. people who don't believe in type II error).
But one of the biggest is the practice of thinking we do no harm by using estimators we know to be inappropriate for the data at hand and thinking we somehow fully fix that issue by using robust standard errors.
I annually beat my head against the wall trying to get my students to appreciate these issues (only to often have my work undone by their reading papers/books that make these mistakes), but now on this last point, I have some help!
（拙訳）
現在の計量経済学の慣行で私が我慢ならないものは沢山ある。識別に関して自分が置いた仮定の有効性が過剰識別検定により裏付けられると考える人々。5%水準で帰無仮説を棄却できなければ、その帰無仮説が真であるものとして分析を進めて良いと考える人々（即ち、第二種の過誤を信じない人々）。
しかし、最も我慢がならない慣行の一つは、手元のデータについては不適切と分かっている推定値を使っても何ら問題無い、頑健標準誤差を用いればその問題は何らかの形で完全に対処される、と考えることである。
この問題を学生に理解させようとして苦心惨憺することが毎年の恒例行事となっているが（その苦労も、そうした誤りを犯している論文や本を彼らが読むことにより水泡に帰することがしばしば）、ついにこの点について助けが現われた！
前者の要旨は以下の通り。
“Robust standard errors” are used in a vast array of scholarship across all fields of empirical political science and most other social science disciplines. The popularity of this procedure stems from the fact that estimators of certain quantities in some models can be consistently estimated even under particular types of misspecification; and although classical standard errors are inconsistent in these situations, robust standard errors can sometimes be consistent. However, in applications where misspecification is bad enough to make classical and robust standard errors diverge, assuming that misspecification is nevertheless not so bad as to bias everything else requires considerable optimism. And even if the optimism is warranted, we show that settling for a misspecified model (even with robust standard errors) can be a big mistake, in that all but a few quantities of interest will be impossible to estimate (or simulate) from the model without bias. We suggest a different practice: Recognize that differences between robust and classical standard errors are like canaries in the coal mine, providing clear indications that your model is misspecified and your inferences are likely biased. At that point, it is often straightforward to use some of the numerous and venerable model checking diagnostics to locate the source of the problem, and then modern approaches to choosing a better model. With a variety of real examples, we demonstrate that following these procedures can drastically reduce biases, improve statistical inferences, and change substantive conclusions.
（拙訳）
「頑健標準誤差」は、政治学やその他の社会科学の実証研究分野において広く使われている。この手法が人気があるのは、特定のモデルの変数については、モデル化にある種の誤りがあっても、一致性のある推定量が得られるためである。その場合、古典的な標準誤差は一致性を持たないものの、頑健標準誤差は一致性を持つことがある。しかしながら、古典的な標準誤差と頑健標準誤差が乖離するに至るほどモデル化の誤りが大きくなっているのも関わらず、それ以外のすべての不偏性に悪影響を与えるほどその誤りはひどいわけではない、と仮定することは、かなりの楽観主義を要する。そして、仮にその楽観主義が正当化されたとしても、その誤ったモデル化で分析を進めてしまうと、（頑健標準誤差を用いていても）大きな間違いを犯すことになる、ということを我々は示す。それは、少数の例外を除き、分析対象の変数をそのモデルから偏り無く推定（ないしシミュレート）することが不可能となるからである。我々はここに、新たな慣行を提案する。頑健標準誤差と古典的な標準誤差の乖離を炭鉱のカナリアと見做し、モデル化に誤りがあり、推定の不偏性が損なわれていることを明確に示す指標として扱うことである。この場合、多くのケースにおいて自然な対処法となるのが、モデルをチェックする数多の伝統ある診断法の幾つかを用いて問題の原因を突き止め、然る後に、より良いモデルを選択するために現代的手法を適用することである。我々は、多様な実例を交えながら、この手順に従うことにより、劇的に偏りを減らし、統計的推定を改善し、結論を大きく変更し得ることを示す。
以下は後者の論文からのAngusの引用。
An earlier generation of econometricians corrected the heteroskedasticity problems with weighted least squares using weights suggested by an explicit hetero- skedasticity model. These earlier econometricians understood that reweighting the observations can have dramatic effects on the actual estimates, but they treated the effect on the standard errors as a secondary matter. A “robust standard” error completely turns this around, leaving the estimates the same but changing the size of the confifidence interval. Why should one worry about the length of the confifidence interval, but not the location? This mistaken advice relies on asymp- totic properties of estimators.5 I call it “White-washing.” Best to remember that no matter how far we travel, we remain always in the Land of the Finite Sample, infinitely far from Asymptopia. Rather than mathematical musings about life in Asymptopia, we should be doing the hard work of modeling the heteroskedasticity and the time dependence to determine if sensible reweighting of the observations materially changes the locations of the estimates of interest as well as the widths of the confidence intervals.
（拙訳）
計量経済学者の以前の世代は、明示的に分散不均一なモデルから得られるウェイトを用いた加重最小二乗法によって分散不均一性の問題に対処した。彼らは、対象データのウェイトを変更することが実際の推定値に大きな影響を与えることを理解していたが、標準誤差に与える影響は二次的なものとして取り扱っていた。「頑健標準」誤差はこれを完全に逆転させ、推定値は変えない半面、信頼区間の大きさを変えた。信頼区間がどこに位置するかを気にせずに、大きさを気にすることにどんな意味がある？ この誤った手法は、推定値の漸近的な特性に依存していた。私はこれを「ホワイト洗浄」と呼ぶ。如何に我々が遠くを旅しようとも、漸近世界からは無限に遠く離れた有限サンプルの世界に留まっていることは肝に銘ずべきである。漸近世界について数学的思いを巡らせるよりは、分散不均一性や時間依存性のモデル化に勤しみ、分析対象の推定値の位置と信頼区間の幅が、然るべきウェイトの変更によって大きく変わるかどうかを確認すべきなのだ。
