KNOWECON WIKI

ARTICLE

Fixed effects

固定效应的概念与基本思想 固定效应（Fixed Effects）是面板数据计量经济学中处理不可观测异质性（unobserved heterogeneity）的核心方法之一。其基本思想是：当研究基于追踪数据（即对同一组个体在多个时间点进行观测）时，那些不随时间变化的个体特征——如先天能力、家庭背景、人格特质、企业文化等——无论是否可观测，都可以通过差分或去均值

浏览 0 更新 2026-06-02

固定效应的概念与基本思想

固定效应（Fixed Effects）是面板数据计量经济学中处理不可观测异质性（unobserved heterogeneity）的核心方法之一。其基本思想是：当研究基于追踪数据（即对同一组个体在多个时间点进行观测）时，那些不随时间变化的个体特征——如先天能力、家庭背景、人格特质、企业文化等——无论是否可观测，都可以通过差分或去均值的方式予以消除，从而得到更为可信的因果推断。

固定效应模型的核心在于承认每个个体（如个人、企业、地区或国家）都具有某种独特的、不随时间变化的"截距项"。用数学语言表达，标准的固定效应回归模型为：

Yit=αi+βXit+εitY_{it} = \alpha_i + \beta X_{it} + \varepsilon_{it}

其中 Yit Y_{it} 是个体 i i 在时间 t t 的因变量，Xit X_{it} 是随时间变化的解释变量向量，β \beta 是待估参数向量，εit \varepsilon_{it} 是随机误差项。关键参数 αi \alpha_i 即为个体固定效应——它捕捉了所有不随时间变化的个体异质性，无论是可观测的（如性别、种族）还是不可观测的（如能力、动机）。固定效应方法的本质就是将 αi \alpha_i 视为需要被消去的冗余参数，而非如随机效应那样将之视为随机变量。

固定效应的估计方法

固定效应模型的估计主要有两大类技术路线：组内变换（within transformation）和差分法（first-differencing）。

组内变换（去均值法） 是最常用的估计策略。其步骤为：首先对每个个体 i i 计算其各变量在时间维度上的均值 Yˉi \bar{Y}_i 和 Xˉi \bar{X}_i ；然后将原始方程减去均值方程，得到去均值后的模型：

Yit−Yˉi=β(Xit−Xˉi)+(εit−εˉi)Y_{it} - \bar{Y}_i = \beta (X_{it} - \bar{X}_i) + (\varepsilon_{it} - \bar{\varepsilon}_i)

由于 αi \alpha_i 在减式中被消去，此时对变换后的方程使用普通最小二乘法（OLS）即可获得 β \beta 的一致估计量，即组内估计量（within estimator）。这一估计量完全不依赖于 αi \alpha_i 与 Xit X_{it} 之间的相关关系，因此较随机效应模型更为稳健。

一阶差分法 则对相邻两个时期的观测值做差分：

Yit−Yi,t−1=β(Xit−Xi,t−1)+(εit−εi,t−1)Y_{it} - Y_{i,t-1} = \beta (X_{it} - X_{i,t-1}) + (\varepsilon_{it} - \varepsilon_{i,t-1})

当 T=2 T = 2 时，组内估计量与一阶差分估计量完全相同；当 T>2 T > 2 时，两者存在效率差异——在误差项为独立同分布的条件下，组内估计量更有效，而在误差项服从随机游走时，一阶差分法更优。

最小二乘虚拟变量法（LSDV） 是另一种直观的实现路径。直接在回归方程中加入 N−1 N-1 个个体虚拟变量（个体哑元），通过OLS估计这些虚拟变量的系数以得到每个个体的固定效应 αi \alpha_i 。当 N N 很大时，LSDV的计算负担较重，但在 N N 较小的情况下，该方法可以便捷地提供每个个体的具体截距估计值，便于后续分析。

固定效应与随机效应的选择

固定效应模型与随机效应模型（Random Effects）之间的选择是面板数据分析中的经典难题。两者的核心区别在于对个体效应 αi \alpha_i 与解释变量 Xit X_{it} 之间关系的基本假定。

固定效应模型允许 αi \alpha_i 与 Xit X_{it} 任意相关，因此能有效控制因遗漏不随时间变化的变量而产生的内生性偏误，但代价是无法估计那些不随时间变化的解释变量（如性别、种族、教育年限等）的系数。反之，随机效应模型假定 αi \alpha_i 与 Xit X_{it} 不相关，从而可以利用组间变异和组内变异进行更有效率的估计，且能够估计时间不变变量的效应，但一旦相关假定被违反，估计量将不一致。

豪斯曼检验（Hausman Test）是指导两者选择的经典统计工具。其原假设为随机效应模型（即 αi \alpha_i 与 Xit X_{it} 不相关）成立；若检验拒绝原假设，则宜采用固定效应模型。然而在实际应用中，研究者应更多基于理论判断而非单纯依赖统计检验：当存在明显的遗漏变量可能且该变量与解释变量相关时，固定效应模型应是默认选择。

固定效应的扩展形式

固定效应的思想可以灵活地扩展到多个维度。最常见的扩展包括时间固定效应和双向固定效应。

时间固定效应（Time Fixed Effects）在模型中加入了每个时间期的截距项 λt \lambda_t ，以控制所有个体在某一特定时间点共同面临的宏观冲击——如金融危机、政策改革、自然灾害、技术冲击等。模型变为：

Yit=αi+λt+βXit+εitY_{it} = \alpha_i + \lambda_t + \beta X_{it} + \varepsilon_{it}

双向固定效应（Two-Way Fixed Effects）同时包含个体固定效应与时间固定效应，是目前实证研究中使用最广泛的规格。它同时消除了不随时间变化的个体异质性和不随个体变化的宏观时变因素，极大增强了因果识别的可信度。

更高维度的固定效应还包括行业-年份、地区-年份、个体-行业等交互固定效应。例如，在企业层面的研究中加入行业×年份固定效应，可以控制每个行业在每一年所面临的特定市场条件和技术冲击，从而更干净地识别企业层面的解释变量效应。

固定效应的优势与局限

固定效应模型的最大优势在于其对不可观测异质性的稳健控制。只要个体层面的混杂因素不随时间变化，固定效应就能将其完全消除，从而大幅缓解遗漏变量偏误问题。正因如此，固定效应模型在劳动经济学、产业组织、公共经济学、发展经济学和政治经济学中被视为"黄金标准"级的实证方法。

然而，固定效应方法也存在若干重要局限。

第一，固定效应无法控制随时间变化的遗漏变量。如果某个混淆因素既随时间变化又与核心解释变量相关（例如，企业管理能力随市场环境变化而调整），固定效应无法消除由这种时变混杂带来的偏误。

第二，固定效应对测量误差敏感。由于固定效应依赖于组内变异（within variation），而时间维度上的变异往往较小，当自变量存在测量误差时，组内估计量可能比截面OLS受到更严重地衰减偏误（attenuation bias）。

第三，固定效应模型无法估计时间不变变量的效应。当研究者关心的核心变量本身就不随时间变化时（如性别、种族、出生年份），固定效应模型将无助于因果识别——这些变量的效应会在去均值过程中被完全消除。此时研究者可能需要借助工具变量、匹配方法或长差分等替代策略。

第四，面板数据本身的可获得性限制了固定效应方法的应用。许多发展中国家和地区缺乏高质量的追踪调查数据，研究者不得不依赖截面数据进行推断，从而无法使用固定效应控制个体异质性。

固定效应在当代实证研究中的应用

近年来，固定效应方法的应用范围不断扩展。在劳动经济学中，学者使用工人-企业匹配面板数据，通过双重固定效应（工人固定效应+企业固定效应）来分离工人能力和企业薪酬政策对工资的贡献——这一方法使得"企业间工资差异在多大程度上源自工人选择vs企业政策"这一经典问题得到了更精确的回答。在贸易经济学中，出口企业固定效应被用于控制企业层面的生产率异质性，从而识别自由贸易协定对出口行为的因果效应。在政治经济学领域，国家固定效应被广泛用于考察民主制度、媒体自由与经济增长之间的因果关系。

随着因果推断方法的蓬勃发展，固定效应近年来也开始与工具变量法（IV-FE）、双重差分法（DiD）和事件研究法（Event Study）等前沿技术相结合。如当前在政策评估中大放异彩的"交错双重差分法"（Staggered DiD），本质上正是双向固定效应在政策处理时间不同时的推广——尽管近年来研究者指出了传统双向固定效应估计量在多组别、多时期交错处理场景下可能存在的负权重偏误问题，但这恰恰证明了固定效应方法论仍在与时俱进地持续演进与修正之中。