存在异方差性时，怎么得到稳健标准误（R语言）

样本数据是非平衡面板数据（混合截面数据）
lm1=lm(rdin~.,data=reg1)
回归后经bptest检验发现存在严重的异方差性，想要修正标准误使其稳健，并得到修正后的t值

目前学习到的命令有三种:第一个：kk1=coeftest(lm1,vcov=vcovHAC(lm1))


第二个：
kk2=coeftest(lm1,vcov.= vcovHC(lm1,method='white1',type='HC1',cluster='group'))
第三个：
kk3=coeftest(lm1, vcov = NeweyWest(lm2))

用了以上三种方式后，发现各个方式得到的修正t值都不一样。目前只知道vcovHC进行的是异方差一致估计，vovHAC和NeweyWest进行的是异方差和自相关一致估计（但二者给出的结果也不一样）。在R里面help了这些函数查看也不太明白。

想问：为什么这三种方式修正的结果不一样？三种方法各自适用什么情况呢？请大神赐教

最简单的办法是用包estimatr里的函数lm_robust()，验证过，这个函数的结果与李子奈计量经济学例子里面的结果是相同的。
library(estimatr) #计算white异方差稳健标准误需要
lm_robust(Y~X1+X2,dat)