随机效应模型

随机效应模型 (Random Effects Model, REM)

随机效应模型→计量/面板数据/混合效应→个体不可观异质视随机抽样→利用误协方差结构→广义最小二乘/MLE高效估计→与固定效应并列（FE允个体效与解释变相关；RE在关键假成立下更高效→可估时不变变系）。

基本：$y_{it}=x_{it}'\beta+\alpha_i+\varepsilon_{it}$→$\alpha_i$=个体随机效应（能力/偏好/管水等不随变）→$E(\alpha_i)=0,Var(\alpha_i)=\sigma_\alpha^2$→$\varepsilon_{it}$扰动→同方差无自相→$\alpha_i$与$x_{it}$整不相关（vs FE键别）。

结构与估计

复合误$u_{it}=\alpha_i+\varepsilon_{it}$→同个内$Cov(u_{it},u_{is})=\sigma_\alpha^2(t\neq s)$。组内相关ICC：$\rho=\sigma_\alpha^2/(\sigma_\alpha^2+\sigma_\varepsilon^2)$→越大同对象内越"似"→个效占总波比越高。

准去均值FGLS：$y_{it}^\ast=y_{it}-\theta\bar{y_i},x_{it}^\ast=x_{it}-\theta\bar{x_i}$→$\theta=1-\sqrt{\sigma_\varepsilon^2/(\sigma_\varepsilon^2+T\sigma_\alpha^2)}$。$\theta=0$→退混合OLS；$\theta\to1$→近FE去均值→需先估方差分量（Swamy-Arora等）→FGLS。

ML/REML：线性混合$y=X\beta+Zb+\varepsilon$→$b\sim N(0,G),\varepsilon\sim N(0,R)$→$V=ZGZ'+R$→ML联合似然→REML对方差分更稳健（小样/多固效推）。BLUP：随机效条件期望→收缩→信息少个接近总体均→信息足近组均→小区域估计/学校/医院绩效。

扩展：随机斜率→系个体间随机变→多层模型。Mundlak→加$\bar{x}_i$作为控制→允$\alpha_i$与$x_{it}$相关参数化→残余RE更近独立。可处理非平衡面板→ML/REML自然。

检验与选择

Hausman：RE在假成立下一致有效；FE更弱假下仍一致→比两估差→不拒差异→用RE（效率+可估时不变）；拒绝→$\alpha_i$与$x_{it}$相关→RE有偏→转向FE或Mundlak/相关随机效应。

注意：若$Cov(\alpha_i,x_{it})\neq0$→RE一般不一致→因遗漏变量/反向因果/选择→需稳健SE（聚类）或更广协方差结。需估时不变变（地特/制长指）时RE比FE更直。重复测量多层数据→优先写混合模$Zb$与协方差结→比仅面板记号更通用。