跳到主要内容

固定效应模型

一、直观理解：用“个体自己当自己的对照”​

面板数据同时有个体维度 ii 与时间维度 tt。许多看不见的差异（地区文化、企业基因、个人能力）既影响 yy，又可能与 XX 相关。若忽略它们，普通 OLS 会把这些差异算到 XX 头上。

固定效应（Fixed Effects, FE）模型允许每个个体有自己的截距 aia_i：

yit=ai+xitTβ+εity_{it}=a_i+x_{it}^\mathsf{T}\beta+\varepsilon_{it}

估计时通过组内去均值（within transformation）消掉 aia_i：

yit−yˉi=(xit−xˉi)Tβ+(εit−εˉi)y_{it}-\bar y_i=(x_{it}-\bar x_i)^\mathsf{T}\beta+(\varepsilon_{it}-\bar\varepsilon_i)

直觉：不靠“企业和企业比”，而靠“同一企业随时间的变化”来识别 β\beta。因此 FE 特别擅长控制不随时间变化的混杂。

二、适用场景与优缺点​

类型说明
适用场景短面板/长面板中个体异质性与回归元相关；政策评估中控制地区/个人固定特质；需要 within 变异识别。
核心优点消除不随时间混杂；假设比随机效应更弱（允许 aia_i 与 XX 相关）；解释为个体内效应。
局限与缺点不随时间变化的 XX（如性别）在严格 FE 中无法估计；within 变异小则不精确；对测量误差更敏感；需要处理时间效应与序列相关。

三、核心原理​

1. 双向固定效应​

常同时加入时间效应 λt\lambda_t：

yit=ai+λt+xitTβ+εity_{it}=a_i+\lambda_t+x_{it}^\mathsf{T}\beta+\varepsilon_{it}

吸收所有个体不变因素与所有时期共同冲击。

2. 估计​

  • 虚拟变量 LSDV（个体哑变量）；
  • 去均值 within 估计（等价于 LSDV 的 β\beta）；
  • 高维 FE 可用交替投影等算法。

3. 推断​

默认 SE 往往不够。面板中常用个体聚类稳健标准误，允许组内相关与异方差。

4. 识别直觉​

FE 识别的是：个体内 XX 变化伴随的 yy 变化。若 XX 几乎不随时间变，FE 无能为力。

四、关键决策​

1. FE 还是 RE？​

若 aia_i 可能与 XX 相关，选 FE；Hausman 检验可辅助，但不是唯一标准。政策评估默认 FE/差分更常见。

2. 是否加时间 FE​

宏观冲击、共同趋势存在时建议加；事件研究中时间 FE 是标配。

3. 时不变变量​

若必须估计，考虑：

  • 随机效应 / 相关随机效应（Mundlak）；
  • 豪斯曼-泰勒；
  • 或接受 FE 只识别时变效应。

4. 因果​

FE 不是自动因果：仍需条件外生（无时变混杂、无反向因果等）。可与 DID、IV 结合。

五、MATLAB 示例​

rng(20);
N = 50; T = 8;
id = repelem((1:N)', T);
time = repmat((1:T)', N, 1);
a = repelem(randn(N,1), T);          % 个体效应
x = 0.5*a + randn(N*T,1);            % x 与 a 相关 -> OLS 偏倚
y = a + 1.2*x + 0.8*randn(N*T,1);

% 混合 OLS（偏倚）
mdl_ols = fitlm(x, y);
fprintf("OLS beta = %.3f\n", mdl_ols.Coefficients.Estimate(2));

% Within：按个体去均值
y_w = y; x_w = x;
for i = 1:N
    idx = id == i;
    y_w(idx) = y(idx) - mean(y(idx));
    x_w(idx) = x(idx) - mean(x(idx));
end
% 无截距回归
beta_fe = x_w \ y_w;
fprintf("FE  within beta = %.3f (真值 1.2)\n", beta_fe);

% 用 fitlm + 哑变量（小 N 可行）
Ttbl = table(categorical(id), x, y, 'VariableNames', {'id','x','y'});
mdl_fe = fitlm(Ttbl, "y ~ x + id");
% x 的系数
fprintf("LSDV beta = %.3f\n", mdl_fe.Coefficients.Estimate("x"));

% 聚类 SE 示意：按 id 分块的夹心协方差（单变量）
e = y_w - x_w*beta_fe;
meat = 0;
for i = 1:N
    idx = id == i;
    xi = x_w(idx); ei = e(idx);
    meat = meat + (xi'*ei)^2;
end
se_clu = sqrt(meat / (x_w'*x_w)^2);
fprintf("个体聚类 SE ≈ %.3f\n", se_clu);

六、如何解释结果​

  1. 面板结构（N、T、平衡与否）；
  2. FE 维度（个体/时间）；
  3. β^\hat\beta、聚类 SE、置信区间；
  4. 说明识别来自 within 变异；
  5. 时不变变量无法估计的声明；
  6. 稳健性：加时间 FE、滞后、剔除异常个体。

七、常见误区​

1. 有面板就一定因果​

FE 只控制时不变混杂。

2. 用普通 SE​

组内相关下 p 值过于乐观。

3. 解释 FE 系数为组间差异​

它是组内关联。

4. T 很小却加入大量时变控制导致过度拟合​

注意自由度与多重共线。

八、小结​

固定效应模型的核心是：

通过个体（与时间）截距吸收时不变异质性，用组内变化识别 β\beta。

它是面板与准实验研究的工作马。写清 within 含义、聚类推断与识别假设，比单纯报告“用了 FE”更重要。