问在将对比应用于线性模型之前，解决组间的不等方差？(r)

EN

我的目标：，我有一个序数因子变量(5个水平)，我想应用对比来检验线性趋势。但各因子组具有方差的异质性。

我所做的:根据的建议，我使用来自robust pckg的lmRob()创建了一个健壮的线性模型，然后应用了对比。

# assign the codes for a linear contrast of 5 groups, save as object
contrast5 <- contr.poly(5)

# set contrast property of sf1 to contain the weights
contrasts(SCI$sf1) <- contrast5

# fit and save a robust model (exhaustive instead of subsampling)
robmod.sf1 <- lmRob(ICECAP_A ~ sf1, data = SCI, nrep = Exhaustive)

summary.lmRob(robmod.sf1)

My problem:自那以来，我一直读到稳健回归更适合处理异常值，而不是方差的异质性。( https://stats.idre.ucla.edu/r/dae/robust-regression/_的底部)这个UCLA页面(以及其他页面)建议sandwich包获得异方差一致(HC)标准错误(比如在https://thestatsgeek.com/2014/02/14/the-robust-sandwich-variance-estimator-for-linear-regression-using-r/中)。

但是这些例子使用一系列函数/调用来生成输出，给出HC，它可以用来计算置信区间、t值、p值等。

我的想法是，如果我使用vcovHC()，我可以得到HC错误，但是HC错误不会是模型的“应用”/属性，所以我不能通过函数传递模型(带有HC错误)来应用我最终想要的对比。我希望我不是把两个独立的概念混为一谈，但是如果一个函数寻址/自下而上的异常值，那至少也应该在一定程度上解决不平等的差异？

有人能确认我的推理是否合理(因此仍然支持lmRob()吗？)或者建议我如何纠正我的标准错误，并仍然应用对比