固定效应

固定效应 (Fixed Effects)

固定效应是计量经济学、统计学和面板数据分析中的核心概念，指在统计模型中作为待估常数（而非随机变量）引入的个体特异性截距项，用于捕捉各个体（如个人、企业、国家）不随时间变化的不可观测异质性。

概念起源与直觉

固定效应的思想根源可追溯至对遗漏变量偏误的关切。当数据具有面板结构（同一批个体在多个时期被观测）时，每个个体都有一些不易测度但相对稳定的固有特征——个人的能力禀赋、企业的管理文化、国家的地理位置。若这些特征与模型中的解释变量相关（如能力影响教育选择），忽略它们将导致内生性问题，使普通最小二乘估计产生偏误。

固定效应方法的直觉是让每个个体充当自己的对照组：既然不随时间变化的因素在个体内部是恒定的，那么只需观察个体内的变化，便可自动控制所有这些恒定因素。这类似于在每个人身上做"前后对照"实验，而非在不同人之间进行横向比较。

数学形式

在一般面板数据回归中，常见设定为：

其中 $i=1,\dots,N$ 是个体索引，$t=1,\dots,T$ 是时间索引。$a_i$ 即为个体固定效应，它吸收所有不随时间变化的个体特征（包括可观测的 $z_i$ 和不可观测的部分）。由于 $a_i$ 可能与 $x_{it}$ 相关，常规混合OLS估计是不一致的。

双向固定效应（Two-Way Fixed Effects）进一步引入时间固定效应 $\lambda_t$，模型扩展为：

$\lambda_t$ 捕捉所有个体间共同的时变冲击（如宏观经济波动、政策改革、技术冲击），使估计更加稳健。

消除固定效应的核心策略

固定效应本身不可直接估计（当 $N$ 很大时），但可通过变换消除后再估计 $\beta$：

• 组内离差变换（Within Transformation）：对每个个体减去其时间均值，将模型转化为离差形式 $(y_{it}-\bar{y}_i) = \beta_1 (x_{it}-\bar{x}_i) + (u_{it}-\bar{u}_i)$，消除 $a_i$ 后可用OLS估计。这是最常用的方法，得到的估计量称为组内估计量。
• 一阶差分法（First Difference）：对相邻时期作差分 $(y_{it}-y_{i,t-1}) = \beta_1 (x_{it}-x_{i,t-1}) + (u_{it}-u_{i,t-1})$。当 $T=2$ 时与组内离差等价；当 $u_{it}$ 存在序列相关时，一阶差分更优。
• 最小二乘虚拟变量法（LSDV）：直接加入 $N-1$ 个个体虚拟变量进行OLS回归。虽然直观，但当 $N$ 较大时计算负担重。

关键假设与识别条件

固定效应策略的有效性依赖以下假设：

• 严格外生性：给定 $a_i$ 后，解释变量在所有时期均与扰动项无关：$\mathbb{E}[u_{it} \mid \mathbf{X}_i, a_i] = 0$。这意味着过去的 $x$ 不影响当前的 $u$，反之亦然——这比同期外生性更强。
• 解释变量有足够的时间变异：固定效应依赖个体内的变化来识别系数。若某个变量在个体层面几乎不随时间变化（如性别、种族），其效应将被固定效应吸收而无法单独估计。
• 同质性处理效应：默认各$\beta$系数在不同个体间相同。若处理效应存在异质性，固定效应估计量只能识别平均处理效应。

固定效应 vs 随机效应

固定效应与随机效应的根本区别在于对个体异质性 $a_i$ 的处理方式：

• 固定效应：将 $a_i$ 视为需估计的固定常数（或需消除的 nuisance 参数），允许 $a_i$ 与解释变量任意相关。损失自由度，但更稳健。
• 随机效应：将 $a_i$ 视为来自某分布的随机变量，且要求 $a_i$ 与解释变量不相关。更有效率，且可估计时不变变量的系数，但假设更强。

豪斯曼检验是实践中指导模型选择的标准工具：检验 $a_i$ 与解释变量是否相关。若显著相关，固定效应一致而随机效应不一致，应选固定效应。

在其他领域的含义

"固定效应"一词在元分析中有不同含义：固定效应元分析假设所有纳入研究共享同一个真效应值，研究间差异仅来自抽样误差；而随机效应元分析则允许研究间存在真实异质性。在方差分析中，固定效应指因素水平由实验者有意选定，结论仅适用于这些特定水平。

局限与替代方法

固定效应的主要局限在于：①无法估计时不变变量的效应；②当个体内变异较小时估计可能不精确；③对测量误差敏感——若变化多为噪音而非真实信号，会产生衰减偏误；④严格外生性假设在动态面板模型中会被违反，此时需使用差分GMM或系统GMM等工具变量方法。

尽管如此，固定效应仍是实证研究中处理时不变不可观测异质性最常用的工具，尤其适用于因果推断和微观计量经济学中。