随机效应

随机效应 (Random Effects)

随机效应 (RE)=面板数据分析与多层模型中处理未观测异质性的核心建模策略→与固定效应并称面板计量两大支柱。

模型设定与核心假定

对个体$i$在时期$t$，面板数据模型为：

其中$\alpha_i$为个体异质性（不随时变），$\epsilon_{it}$为特异误差（$iid(0,\sigma_\epsilon^2)$），关键假定：

即个体效应与所有时期的解释变量均不相关。在此假定下，$\alpha_i \sim (0, \sigma_\alpha^2)$被视为随机变量→复合误差$v_{it} = \alpha_i + \epsilon_{it}$→总方差:

同一体不同时期误差自相关：$\text{Corr}(v_{it}, v_{is}) = \frac{\sigma_\alpha^2}{\sigma_\alpha^2 + \sigma_\epsilon^2}, \quad t \neq s$。

估计方法

若直接用OLS→虽一致，但忽略组内相关→标准误无效。RE的高效估计用广义最小二乘法(GLS)：

其中$\Omega = \sigma_\epsilon^2 I_{NT} + \sigma_\alpha^2 (I_N \otimes J_T)$（块对角结构）。等价于对如下准离差变换后跑OLS：

其中$\lambda = 1 - \sqrt{\frac{\sigma_\epsilon^2}{T\sigma_\alpha^2 + \sigma_\epsilon^2}}$。极值：$\sigma_\alpha^2 = 0$时$\lambda=0$→退化为混合OLS；$T \to \infty$时$\lambda \to 1$→趋近组内估计量(FE)。

实践中$\sigma_\alpha^2, \sigma_\epsilon^2$未知→可行广义最小二乘法(FGLS)：①先混合OLS或组内估计得残差；②据此估计方差分量；③代入$\hat{\Omega}$得$\hat{\beta}_{RE}$。Stata中\verb|xtreg, re|即实现此流程。

RE vs FE：取舍与检验

Hausman检验

豪斯曼检验为选择RE/FE的标准诊断工具：$H_0$为$\text{Cov}(\alpha_i, x_{it}) = 0$（RE一致且有效）。统计量：

拒绝$H_0$→RE不一致→应选FE。若不能拒绝→优先选RE以获更高效率。注意：聚类稳健标准误下需用Wu-Hausman检验替代。

推广：多层随机效应

更一般语境下，随机效应可推广为混合效应模型：允许随机截距($\alpha_i$)外，还可设随机斜率($\beta_i = \beta + u_i$)，甚至多层次嵌套结构（学生→班级→学校）。通用形式：$y = X\beta + Zu + \epsilon$，其中$u \sim N(0, G)$为随机效应向量。此即现代分层线性模型(HLM)和线性混合模型(LMM)的基础框架，广泛应用于教育评估、元分析及贝叶斯层次模型等领域。