组内估计量

组内估计量 (Within Estimator)

组内估计量 (Within Estimator)，亦称固定效应估计量 (Fixed Effects Estimator)，是面板数据计量经济学中用于估计固定效应模型的核心方法。其基本思想是通过组内变换 (Within Transformation) 消除不随时间变化的个体异质性，从而获得回归系数的一致估计。

模型设定与识别问题

考虑标准的面板数据线性模型：

其中 $y_{it}$ 为个体 $i$ 在时期 $t$ 的被解释变量，$\mathbf{x}_{it}$ 为解释变量向量，$\boldsymbol{\beta}$ 为待估参数向量。$\alpha_i$ 表示个体固定效应 (Individual Fixed Effect)，捕捉个体 $i$ 不随时间变化的所有不可观测特征（如能力、文化、制度等）。$\varepsilon_{it}$ 为特异误差项，满足严格外生性假设 $\mathbb{E}[\varepsilon_{it} \mid \mathbf{x}_{i1}, \ldots, \mathbf{x}_{iT}, \alpha_i] = 0$。

若 $\alpha_i$ 与 $\mathbf{x}_{it}$ 相关，则混合普通最小二乘 (Pooled OLS) 估计量将因遗漏变量偏误而不一致。组内估计量正是为解决这一问题而设计。

组内变换与估计

组内估计量的核心操作是时间均值离差变换：对每个个体 $i$，将所有变量减去其时间均值，从而消去 $\alpha_i$。定义个体时间均值：

对原方程取时间平均后相减，得到组内变换后的方程：

由于 $\alpha_i$ 不随时间变化，它在相减中恰好被消除。记 $\ddot{y}_{it} = y_{it} - \bar{y}_i$，$\ddot{\mathbf{x}}_{it} = \mathbf{x}_{it} - \bar{\mathbf{x}}_i$，则组内估计量为对变换后数据进行 OLS 回归所得：

与 FWL 定理的联系

组内估计量可以视为 FWL定理 的直接应用。在面板设定中，个体固定效应等价于为每个个体引入一个虚拟变量。根据 FWL 定理，先将被解释变量和解释变量分别对个体虚拟变量回归取残差，再对残差进行回归，所得系数与完整虚拟变量最小二乘法 (LSDV) 完全相同。组内变换正是这一步"对个体虚拟变量取残差"的代数简化——直接减去组内均值即等价于剔除所有个体虚拟变量的影响。

统计性质与推断要点

在严格外生性假设下，组内估计量是一致性和渐近正态的。当 $N \to \infty$ 或 $T \to \infty$ 时（在适当正则条件下），$\hat{\boldsymbol{\beta}}_{\text{FE}}$ 收敛于真实参数。

实际推断中需注意以下要点：

• 自由度修正：组内变换消耗了 $N$ 个自由度（每个个体的均值被估计），因此误差方差的无偏估计应使用 $NT - N - K$ 而非 $NT - K$ 作为分母。多数计量软件默认处理此修正，但手动计算时不可忽略。
• 标准误的聚类调整：面板数据中同一体不同期观测往往存在序列相关，建议使用聚类稳健标准误（在个体层面聚类）以避免推断偏误。
• 时不变变量的不可识别性：任何不随时间变化的解释变量（如性别、种族、出生地）在组内变换中会被一并消除，其系数无法通过固定效应模型识别。若需估计此类变量的效应，需借助随机效应模型或 Hausman-Taylor 型估计量。

与一阶差分估计量的比较

除组内变换外，消除固定效应的另一常用方法是一阶差分 (First Differencing)：对相邻两期取差分 $\Delta y_{it} = y_{it} - y_{i,t-1}$。当 $T = 2$ 时，组内估计量与一阶差分估计量完全等价；当 $T > 2$ 且特异误差满足经典独立同分布假设时，组内估计量比一阶差分估计量更有效。但若误差项存在单位根过程，则一阶差分更为合适，因为差分可将非平稳序列转化为平稳序列。

与随机效应和 Hausman 检验的关系

组内估计量（固定效应）与广义最小二乘随机效应估计量构成面板数据分析的两大基本方法。二者的根本区别在于对 $\alpha_i$ 与 $\mathbf{x}_{it}$ 关系的假设：固定效应允许任意相关性，代价是无法识别时不变变量的系数；随机效应假设二者不相关，在满足该假设时更有效，但若假设不成立则不一致。Hausman检验提供了在二者之间选择的统计准则：检验统计量比较固定效应与随机效应估计量的差异，显著差异意味着应拒绝随机效应而选择固定效应（组内估计量）。