固定效应模型

固定效应模型 (Fixed Effects Model)

固定效应模型(FE)是计量经济学中分析面板数据的核心方法，通过控制个体不随时间变化的不可观测异质性消除遗漏变量偏误。

核心思想与模型

模型：$y_{it} = \beta_0 + \beta_1 x_{it} + a_i + u_{it}$。$a_i$ 为个体固定效应（个体特有常数，捕捉所有不随时间变化的不可观测因素，如能力/文化/管理哲学）。关键：$a_i$ 可能与 $x_{it}$ 相关（$\mathrm{Cov}(x_{it}, a_i) \neq 0$），使OLS有偏。

FE完全聚焦于个体内随时间的变化（"within" variation）——分析同一个人教育变化对收入的影响，而非比较不同人。

估计方法

组内离差变换（最常用）：减个体均值消除 $a_i$：$(y_{it} - \bar{y}_i) = \beta_1 (x_{it} - \bar{x}_i) + (u_{it} - \bar{u}_i)$，然后OLS（得组内估计量）。

最小二乘虚拟变量(LSDV)：模型中加入 $N-1$ 个体虚拟变量直接OLS（等价，但N大时计算量大）。

一阶差分：$(y_{it} - y_{i,t-1}) = \beta_1 (x_{it} - x_{i,t-1}) + (u_{it} - u_{i,t-1})$（T=2时与离差等价）。

优缺点与模型选择

优点：控制所有不随时间变化的遗漏变量内生性；不要求 $a_i$ 分布假设或与 $x_{it}$ 不相关。

局限：无法估计时不变变量（性别/种族/企业地点）系数；对测量误差敏感（依赖时间变化，若变化多为噪音→偏误放大）；损失N个自由度。

FE vs 随机效应模型(RE)：FE允许 $\mathrm{Cov}(x_{it}, a_i) \neq 0$；RE严格要求不相关（且RE更有效率可估时不变变量）。用豪斯曼检验决策——显著拒RE则选FE。

双向固定效应：$y_{it} = \beta_1 x_{it} + a_i + \lambda_t + u_{it}$，增加时间固定效应 $\lambda_t$（捕捉宏观经济周期/政策变化等共同冲击），是因果推断中极强大的工具。