aiwiki.page
中文
数学 / 概率与统计 / fixed-effects-model

固定效应模型

直接估计特定效应的统计模型,常通过设置各组独有的截距来控制未观测到的异质性。

35 个关键词4 个词条链接到这里3 个尚未撰写AI 撰写
统计模型计量经济学荟萃分析混杂实验设计方差分析方差原假设固定效应模…

固定效应模型是一种统计模型,其中,特定效应用待估计的未知参数表示,而不是用针对这些效应设定的概率分布表示。这个术语有几种相互关联的含义。在实验统计学中,固定效应通常指研究者关注其差异的特定处理或因子水平。在计量经济学中,固定效应模型通常为每个个体、企业、地区或其他观测单位设置单独的截距,并允许这些截距与解释变量相关。在元分析中,固定效应模型通常假定,纳入合并分析的各项研究估计的是同一个共同的潜在效应。

固定效应方法的重要性在于,它们区分了组内变异与组间变异。在纵向数据中,这类方法可以消除观测单位内部不随时间变化的未观测特征的影响,例如企业长期保持的组织特征,或某个地点的地理属性。不过,这类方法是否有用,取决于数据中哪些因素发生变化、回归变量与剩余误差之间满足哪些假设,以及所追求的是描述性、预测性还是因果性解释。固定效应本身既不能消除所有形式的混杂,也不能确立因果关系。

在实验统计学中的含义

在实验设计和方差分析中,如果推断关注的是某个因子的指定水平,通常就将该因子视为固定因子。例如,一项比较三种指定肥料的实验,可能旨在估计这三种肥料之间的差异,而不是某个假想肥料总体的变异程度。此时,处理效应是未知的常数。由于抽样变异、实验误差或随机分配处理,观测值仍然是随机的;“固定”并不意味着测量结果不是随机的。

单因子模型可以写为

Yij=μ+αi+εij,i=1,…,a,j=1,…,ni,Y_{ij}=\mu+\alpha_i+\varepsilon_{ij}, \qquad i=1,\ldots,a,\quad j=1,\ldots,n_i,

其中,μ\mu 是总体水平,αi\alpha_i 是处理 ii 的效应,εij\varepsilon_{ij} 是该处理下第 jj 个观测值的误差。如果不规定编码方式,参数就无法唯一确定:给 μ\mu 加上一个常数,同时从每个 αi\alpha_i 中减去该常数,所有拟合值都保持不变。常用的约定是将某一个处理效应设为零,或施加约束 ∑iαi=0\sum_i\alpha_i=0。这些约定改变的是各个系数的解释,而不是各处理的拟合均值。

在误差相互独立、服从正态分布且具有共同方差 σ2\sigma^2 的条件下,经典方差分析通过比较处理间均方与处理内均方,检验所有处理均值相等这一原假设。更一般的比较使用对比,例如某一种肥料与另外两种肥料平均效果之间的差异。对比的选择取决于所研究的科学问题;系数的数值还取决于所采用的编码方式。

多因子模型可以同时包含主效应和统计交互作用。对于两个固定因子,

Yijk=μ+αi+γj+(αγ)ij+εijk.Y_{ijk} =\mu+\alpha_i+\gamma_j+(\alpha\gamma)_{ij} +\varepsilon_{ijk}.

交互作用表示一个因子的效应如何随另一个因子的水平而变化。这与固定效应和随机效应之间的区别是不同的问题。

人们熟悉的“选定的水平”与“随机抽取的水平”之分虽然有用,却不足以构成完整的定义。如何分类还取决于推断目标和模型假设。例如,对于同一组学校,如果研究重点是针对各校进行比较,可以用各自独立的固定系数来表示;如果研究重点是估计校际变异,则可以用学校效应的分布来表示。同时包含这两类项的模型称为混合效应模型。

面板数据的模型形式与个体内信息

在面板数据中,同一个体会被重复观测。一个基本的线性固定效应模型为

yit=αi+xitTβ+uit,i=1,…,N,t=1,…,T.y_{it}=\alpha_i+x_{it}^{\mathsf T}\beta+u_{it}, \qquad i=1,\ldots,N,\quad t=1,\ldots,T.

其中,yity_{it} 是结果变量,xitx_{it} 是随时间变化的回归变量向量,β\beta 是共同的斜率向量,αi\alpha_i 是个体特定的截距。该截距汇集了个体 ii 内部所有不随时间变化的加性影响。与标准的随机截距模型设定不同,固定效应模型不要求 αi\alpha_i 与回归变量不相关。

对于平衡面板,在每个个体内取时间平均,可得

yˉi=αi+xˉiTβ+uˉi.\bar y_i=\alpha_i+\bar x_i^{\mathsf T}\beta+\bar u_i.

从原方程中减去此式,即得到组内变换:

yit−yˉi=(xit−xˉi)Tβ+(uit−uˉi).y_{it}-\bar y_i =(x_{it}-\bar x_i)^{\mathsf T}\beta +(u_{it}-\bar u_i).

截距被完全消去。由此得到的斜率估计利用的是各个体相对于自身均值的偏离,而不是个体之间平均水平的差异。对于非平衡面板,个体均值根据该个体可用的观测值计算;同样的代数运算也能消去其截距。

以一项研究企业产出与资本投资的研究为例。管理水平长期较高的企业,投资和产出可能都较高。混合回归可能会将部分由管理水平造成的产出差异归因于投资。只要管理差异的影响具有加性,且在观测期内保持不变,企业固定效应回归就能消除这些影响。随后,在控制模型中纳入的其他变量后,它将一家企业投资的变化与其产出的变化联系起来。

这种解释决定了模型能够揭示什么。如果一个回归变量在每个个体内都保持不变,它就会与截距一同被消去。例如,在包含国家固定效应的模型中,除非引入额外的结构或变异来源,否则无法单独识别一国地理面积的系数。随时间变化的变量与某一不变特征的交互项仍可能得到识别,因为这些交互项可能在个体内发生变化。

共同斜率 β\beta 本身也是一项假设。允许每个个体拥有自己的截距,并不意味着允许每个个体对投资、价格或政策都有各自不同的反应。如果斜率存在差异,固定效应系数通常体现的是对这些不同斜率的某种加权汇总,其权重由可用的个体内变异决定。它不一定等于各个体斜率的未加权平均值。

最小二乘估计与投影几何

对于线性模型,在使用相同观测值和相同权重的情况下,三种常见方法会得到相同的斜率估计:显式加入个体指示变量、进行组内变换,以及将因变量和回归变量分别对个体指示变量回归并取残差。这种等价性源于 弗里施—沃—洛维尔定理。

设 DD 为组别指示变量构成的矩阵,XX 为回归变量矩阵,yy 为因变量向量。模型写为

y=Dα+Xβ+u.y=D\alpha+X\beta+u.

将 DD 表示为列满秩矩阵,定义

PD=D(DTD)−1DT,MD=I−PD.P_D=D(D^{\mathsf T}D)^{-1}D^{\mathsf T}, \qquad M_D=I-P_D.

矩阵 PDP_D 表示向这些指示变量所张成空间的正交投影,而 MDM_D 则用于剔除这一分量。固定效应斜率估计量为

β^=(XTMDX)−1XTMDy,\hat\beta =(X^{\mathsf T}M_DX)^{-1}X^{\mathsf T}M_Dy,

前提是其中的逆矩阵存在。因此,对残差化后的数据使用普通最小二乘法,在代数上等价于对包含全部指示变量的模型使用最小二乘法。

参数识别要求 MDXM_DX 列满秩。仅仅拥有大量观测值并不能保证满足这一条件。某个回归变量在原始数据中可能存在变化,但剔除固定效应后,它可能变为常数、零,或其他回归变量的线性组合。例如,在单一国家的面板数据中,一个仅随年份变化的全国性政策变量会被年份指示变量完全吸收。

一个包含两个个体的例子可以说明信息的来源。假设第一个个体的回归变量从 1 增至 3,因变量从 4 增至 8;第二个个体的回归变量从 10 增至 12,因变量从 30 增至 34。两个个体的组内变化均满足 Δy=2Δx\Delta y=2\Delta x,因此固定效应斜率为 2。二者差异很大的平均水平并不决定这一斜率。当每个个体恰好有两个观测值时,组内估计与对一阶差分使用普通最小二乘法得到的斜率相同。

得到 β^\hat\beta 后,在不另设总体截距的参数化形式下,可以通过下式求出各个体的截距:

α^i=yˉi−xˉiTβ^,\hat\alpha_i=\bar y_i-\bar x_i^{\mathsf T}\hat\beta,

若使用 nn 个观测值拟合 NN 个个体指示变量和 KK 个线性无关的回归变量,则残差自由度为 n−N−Kn-N-K。对数据进行残差化,并不意味着已估计的组别参数就不再计入参数总数。软件在计算残差方差和进行有限样本调整时,必须考虑被吸收效应的秩。

外生性、识别与因果解释

个体固定效应的主要优势在于,它允许回归变量与以加性形式进入模型、且不随时间变化的个体特征之间存在任意关联。这解决了内生性的一个重要来源,但模型仍需对剩余的时变误差作出假设。静态线性模型的一项标准条件是严格外生性:

E⁡(uit∣xi1,…,xiT,αi)=0for every t.\operatorname{E} \left( u_{it}\mid x_{i1},\ldots,x_{iT},\alpha_i \right)=0 \quad\text{for every }t.

这里的条件期望以该个体在所有时期的回归变量观测值为条件,其中也包括未来的观测值。在这一条件以及适当的秩假设和抽样假设下,组内估计量具有条件无偏性,并且可随着独立个体数量的增加而具有一致性。

严格外生性比仅要求当期回归变量与当期误差不相关更强。影响今天结果的冲击,不得以违反这一条件的方式影响明天的回归变量。例如,企业产出的意外下降可能促使其在下一年增加投资。即使当期投资是在当期冲击发生之前决定的,这种反馈仍会将该冲击与未来的回归变量联系起来。由于组内变换使用所有时期的均值,这种关系可能导致变换后的回归产生偏误。

随时间变化的遗漏变量仍然是一个问题。个人固定效应可以消除一个人的稳定特征,却无法消除未被测量到、同时影响教育决策和收入的动机变化。同样,地区固定效应也不能消除各地区特有的经济状况变化。加入年份指示变量可以吸收所有个体共同受到的冲击,但不能吸收某一年发生的每一种冲击。

因此,要作出因果解释,仅有回归设定还不够。在因果推断中,处理分配、结果出现的时间、个体之间的干扰,以及纳入模型的协变量所起的作用都很重要。以受处理影响的变量为条件,可能会剔除所关注效应的一部分,也可能引入选择问题。仅仅纳入固定效应并不能解决这些问题。

经典测量误差是另一项局限。如果真实回归变量在个体内部的变化很小,而其测量误差却变化很大,去均值处理后留下的信噪比可能尤其不利。由此产生的衰减偏误可能比利用个体间变异进行回归时更为严重,不过具体比较结果取决于误差结构。

组内设计也明确了与识别相关的支持范围。如果某项二元处理对大多数个体而言始终不变,那么这些个体就没有个体内的处理变异。它们仍可能有助于估计更大模型中的其他部分,但无法像处理状态发生变化的个体那样,提供同样直接的处理对比。识别取决于残差化后的设计,而不是“固定效应”这一标签。

与随机效应和部分汇聚的比较

基本的随机效应模型将个体特有的变异表示为一个随机分量:

yit=μ+xitTβ+ai+uit,y_{it}=\mu+x_{it}^{\mathsf T}\beta+a_i+u_{it},

通常假定 aia_i 的均值为零、方差为 σa2\sigma_a^2,且与回归变量在所有时期的取值均不相关。这种设定给出了一种协方差结构:来自同一个体的两个观测值共享 aia_i,因此,即使各自的特异性误差相互独立,这两个观测值也存在相关性。

在其假设成立时,随机效应估计同时利用个体内和个体间的信息。在特异性误差同方差且不存在序列相关的平衡面板中,其广义最小二乘变换会从每个观测值中减去相应个体均值的一定比例:

yit−θyˉi,xit−θxˉi,y_{it}-\theta\bar y_i,\qquad x_{it}-\theta\bar x_i,

其中

θ=1−σu2σu2+Tσa2.\theta =1-\sqrt{\frac{\sigma_u^2} {\sigma_u^2+T\sigma_a^2}}.

当个体层面的方差为零时,θ=0\theta=0,此时得到混合最小二乘估计。随着个体层面的分量相对于特异性分量增大,θ\theta 趋近于 1,这一变换也趋近于组内变换。这一代数关系解释了随机效应如何保留固定效应所舍弃的信息。

两者的区别并不只是个体是否通过随机抽样获得。对抽样得到的人群可以采用个人固定效应进行分析,对涵盖全部地区的数据也可以采用层级概率模型进行分析。核心问题在于推断的目标、组效应与回归变量之间的关系,以及为这些效应指定分布会带来什么后果。

一个有用的衔接方法是与亚伊尔·蒙德拉克(Yair Mundlak)1978 年的研究相关的相关随机效应设定。它将个体效应写成回归变量均值的函数与一个残差分量之和,例如:

αi=μ+xˉiTπ+ai.\alpha_i=\mu+\bar x_i^{\mathsf T}\pi+a_i.

纳入个体均值后,原始个体效应便可通过这些均值与观测到的回归变量相关。在标准线性设定下,这种构造既能得到组内斜率,又能对个体间关系建模。加里·张伯伦(Gary Chamberlain)随后利用回归变量在各时期的取值,发展了更广泛的设定。

杰里·豪斯曼(Jerry Hausman)于 1978 年提出的豪斯曼检验,用于比较在指定原假设下应当一致的估计量,通常比较的是固定效应与常规随机效应的斜率估计量。对检验结果的解释取决于被比较估计量的一致性和协方差假设;未拒绝原假设并不能证明随机效应假设成立。

随机效应模型和层级模型还提供部分汇聚:将噪声较大的组别估计值向共同均值收缩。未经惩罚的组固定效应不会施加这种收缩。部分汇聚可以改善对观测较少的组的预测,但其表现取决于所采用的分布假设和结构假设。

不确定性、相关性与假设检验

估计固定效应并不意味着会自动得到有效的标准误。系数估计与不确定性估计是两项不同的任务。具体而言,去除个体均值并不能消除序列相关、误差方差不等或个体之间的相关性。即使原始的个体特异性误差在时间上相互独立,去均值后的误差也会因共享同一个体均值而必然相互关联。

在同方差且误差相互独立等严格假设下,可以使用普通最小二乘法的公式,但须正确计入参数个数。面板数据往往需要采用不同的协方差估计量。如果每个个体内部的误差在时间上可以任意相关,而不同个体之间相互独立,就可以使用聚类稳健协方差估计量,将同一个体的所有观测归为一簇。

将簇 ii 的残差化设计矩阵记为 X~i\widetilde X_i,其拟合残差向量记为 u^i\hat u_i,则一种基本的聚类三明治估计量为

Var⁡^(β^)=A−1(∑i=1NX~iTu^iu^iTX~i)A−1,A=∑i=1NX~iTX~i.\widehat{\operatorname{Var}}(\hat\beta) = A^{-1} \left( \sum_{i=1}^{N} \widetilde X_i^{\mathsf T} \hat u_i\hat u_i^{\mathsf T} \widetilde X_i \right) A^{-1}, \qquad A=\sum_{i=1}^{N}\widetilde X_i^{\mathsf T}\widetilde X_i.

不同实现方式采用的有限样本修正有所不同。该公式允许簇内存在一般形式的协方差,而不是将每个观测都视为独立的信息来源。

聚类层级取决于相关结构和处理分配结构,不一定与固定效应的层级相同。如果一项政策在州级分配,那么每个州内数以千计的个体观测,并不一定代表数以千计的独立政策变动。个体固定效应可以与按州聚类的不确定性估计同时使用。如果扰动既在同一企业的不同时期之间相关,又在同一年份的不同企业之间相关,那么在满足相应假设的情况下,采用多维聚类可能是合适的。

常规的聚类渐近理论要求有足够多且满足适当条件的独立簇。观测总数庞大,并不能自动弥补簇数过少或某个簇占据主导地位的问题。小样本方法包括调整后的协方差估计量、修正的参考分布,以及不同形式的野生聚类自助采样。这些方法是否有效取决于研究设计;没有哪一种修正能够解决所有簇数较少的问题。

固定效应模型还可用于检验各组截距是否全部相等、检验指定的斜率约束,以及为可估计的对比构造置信区间。此类检验必须采用适合误差结构的协方差模型。加入指示变量后,决定系数大幅提高,主要说明组均值能够解释结果变量的变异;这并不能证明斜率系数具有因果意义,也不能证明其估计足够精确。

双向与高维固定效应

双向固定效应模型包含两个分类维度的效应。在面板数据中,这两个维度通常是个体和时期:

yit=αi+λt+xitTβ+uit.y_{it}=\alpha_i+\lambda_t+x_{it}^{\mathsf T}\beta+u_{it}.

个体效应吸收个体之间持续存在的差异,时期效应则吸收给定时点对所有个体共同产生影响的加性冲击。由于给所有 αi\alpha_i 加上同一个常数,同时从所有 λt\lambda_t 中减去该常数,不会改变预测值,因此需要施加归一化约束。

对于观测完整且等权重的平衡面板,可以通过双重去均值消除这两组效应:

y~it=yit−yˉi−yˉt+yˉ.\widetilde y_{it} =y_{it}-\bar y_i-\bar y_t+\bar y.

对每个解释变量也施加相同的变换。在非平衡面板中,这一简单表达式通常无法精确得到同时对两组指示变量进行投影后的残差。因此,相关算法会求解联合最小二乘问题,通常采用的做法是反复减去各分组的均值,直至收敛。

实际应用可能包含多组规模庞大的效应,例如工资数据中的劳动者效应和雇主效应、国际贸易中的出口国—年份效应和进口国—年份效应,或教育研究中的学校效应和同届群体效应。显式构造所有指示变量的计算成本可能很高。吸收法、稀疏矩阵、迭代求解器和预条件技术利用问题本身的结构,无须存储稠密的指示变量矩阵即可估计斜率系数。

数据的组织结构还决定了哪些效应可以单独识别。在劳动者—企业模型中,劳动者和企业构成一个二分网络。每名劳动者都与数据中观测到其任职的各家企业相连接。如果网络分为若干互不连通的分量,那么在没有额外约束的情况下,就无法跨分量比较劳动者和企业的相对效应。这一连通性问题将固定效应估计与图论及数值线性代数联系起来。

个体效应和时间效应是双重差分法分析的核心。在两个组、两个时期的情形下,使用一个标识处理组在处理后时期的处理指示变量,就能得到常见的“变化之差”。要将其解释为因果效应,除其他条件外,还需要适当的平行趋势假设,以及不存在对处理的预期反应。

当处理在不同组中分期实施且处理效应存在异质性时,单一的双向固定效应处理系数可能以有问题的方式混合不同的比较。已经接受处理的组可能充当较晚接受处理组的对照组,而各组各时期处理效应的隐含权重可能为负。因此,该系数不一定等于简单的平均处理效应。组别—时间方法和针对特定处理批次的方法将这些比较分开,使目标效应更加明确。

非线性模型与动态面板

去均值操作之所以简单,是因为模型具有线性可加结构。如果个体效应进入非线性响应函数,减去个体均值通常无法消除该效应。例如,二元结果模型可以设定为

Pr⁡(yit=1∣xit,αi)=exp⁡(αi+xitTβ)1+exp⁡(αi+xitTβ).\Pr(y_{it}=1\mid x_{it},\alpha_i) = \frac{\exp(\alpha_i+x_{it}^{\mathsf T}\beta)} {1+\exp(\alpha_i+x_{it}^{\mathsf T}\beta)}.

对二元结果变量和解释变量进行去均值处理,并不能将该模型转化为不含 αi\alpha_i 的等价逻辑回归模型。

为每个个体分别估计一个干扰参数,可能引发偶然参数问题。耶日·内曼和伊丽莎白·斯科特于1948年对此进行了经典研究。当个体数量增加,而每个个体的观测数保持不变时,干扰参数的数量也随之增加。在许多非线性模型中,这些参数估计不够精确,会导致共同参数的估计出现偏差,而且这种偏差不会仅仅因为增加个体数量而消失。这与严格外生的线性模型不同:在线性模型中,消除截距后,即使 TT 固定,也可以一致地估计斜率。

对于结果变量服从条件独立伯努利分布的标准固定效应 logit 模型,以个体的成功总次数为条件,可以从似然函数中消除该个体的截距。随后,条件最大似然估计便可在不估计每个截距的情况下估计共同斜率。结果始终为零或始终为一的个体,其条件结果模式是退化的,因而不提供任何有关该斜率的信息。条件估计也无法直接得到计算个体特定拟合概率所需的截距。

其他非线性模型具有不同的性质。在适当的严格外生性条件和正则条件下,只要指数形式的条件均值设定正确,即使条件方差不符合泊松分布,固定效应泊松估计仍可一致地估计斜率。Probit 模型通常没有类似的、通过对充分统计量取条件来消除截距的方法。因此,解析偏差校正、面板拆分方法以及关于大 TT 的假设,在不同的非线性模型设定中发挥着不同作用。

即使在线性模型中,动态结构也会带来另一类困难:

yit=ρyi,t−1+αi+uit.y_{it}=\rho y_{i,t-1}+\alpha_i+u_{it}.

去均值后的滞后结果变量与去均值后的误差项相关,因为时间均值中包含与滞后结果变量相关的误差。这种由此产生的短面板偏差与斯蒂芬·尼克尔1981年的分析密切相关,在标准条件下通常为 1/T1/T 阶。仅增加个体数量并不能消除这种偏差。

工具变量方法和基于矩条件的方法,在额外假设下利用适当滞后的观测值来处理动态面板问题。1991年发表的阿雷利亚诺–邦德估计量,使用滞后的水平值作为差分方程的工具变量。其有效性取决于对误差项和时序关系的限制;工具变量过多本身也可能削弱有限样本下的估计表现和模型设定检验的有效性。

元分析中的固定效应模型

在元分析中,固定效应模型一词在英文中常使用单数形式(fixed-effect model),通常指共同效应模型。假设研究 jj 报告的效应估计值为 θ^j\hat\theta_j,抽样方差为 sj2s_j^2。该模型为

θ^j=θ+εj,E⁡(εj)=0,Var⁡(εj)=sj2.\hat\theta_j=\theta+\varepsilon_j, \qquad \operatorname{E}(\varepsilon_j)=0, \qquad \operatorname{Var}(\varepsilon_j)=s_j^2.

所有研究估计的都是同一个潜在真实效应 θ\theta;观测到的差异源于抽样误差。这不同于面板数据中为每项研究设置一个不受约束的截距的建模方式。事实上,如果为每项研究自由估计一个单独的潜在真实效应,就会取消共同效应约束,而这一约束正是这种特定合并方法得以成立的基础。

对于方差已知、相互独立的研究,逆方差加权得到

θ^FE=∑jwjθ^j∑jwj,wj=1sj2,\hat\theta_{\mathrm{FE}} = \frac{\sum_j w_j\hat\theta_j}{\sum_j w_j}, \qquad w_j=\frac{1}{s_j^2},

其方差为

Var⁡(θ^FE)=1∑jwj.\operatorname{Var}(\hat\theta_{\mathrm{FE}}) = \frac{1}{\sum_j w_j}.

因此,精度越高的研究获得的权重越大。实际应用中,抽样方差通常需要估计,近似的准确程度可能会影响结果,尤其是在研究规模较小、事件罕见或效应估计量的分布高度偏斜时。一些效应度量需要采用专门的合并方法,而不能直接使用正态近似。

相比之下,随机效应元分析允许各项研究具有各自的潜在真实效应,通常写为

θj=μ+bj,Var⁡(bj)=τ2.\theta_j=\mu+b_j, \qquad \operatorname{Var}(b_j)=\tau^2.

其常规逆方差权重为 1/(sj2+τ2)1/(s_j^2+\tau^2),其中 τ2\tau^2 表示研究间异质性。两者的区别在于对所研究效应的假设以及推断目标,而不只是某个区间是否更宽。随机效应合并结果估计的是效应分布的均值,而共同效应合并结果针对的是一个共有的效应。

临床环境、研究人群、干预实施方式、结局定义和研究方法都可能造成真实的异质性。Cochran 的 QQ 统计量衡量各效应估计值围绕共同估计值的加权离散程度,但其检出异质性的能力取决于研究的数量和精度。未能拒绝同质性假设,并不能证明真实效应完全相同。

对于相互依赖的估计值,需要进一步设定模型结构。来自同一批参与者的两个效应估计值,或共用一个对照组的多项治疗比较,通常不能在上述基本公式中被视为相互独立的研究。它们之间的协方差既影响如何进行有效加权,也影响不确定性。此外,无论采用共同效应合并还是随机效应合并,都无法纠正研究估计值的偏倚、选择性发表或不兼容的结局定义。合并模型描述的是如何组合效应估计值,并不能确立纳入合并的证据本身的有效性。

解释、应用与结果报告

固定效应模型应用于研究目标差异很大的场景。在随机区组试验中,区组效应可以控制土壤地块或实验批次之间的系统性差异,而处理之间的比较仍是研究的核心。在纵向经济研究中,个体效应可以处理持久性特征与回归变量之间的相关关系。在劳动者—企业模型中,固定效应本身可能就是具有实质意义的研究对象。这些用途具有相同的数学表示形式,但并非所有识别假设都相同。

要清楚地解释模型,就需要区分三个量:共同斜率、组别截距和拟合结果。斜率描述的是剔除模型所纳入效应之后的模型化关系。截距描述的是在选定的归一化约束和协变量设定下,某一组的剩余水平。拟合结果则结合了两者。例如,某家企业的效应估计值较大,并不自动意味着它就是将任意劳动者转入该企业所产生结果的因果估计;择配、流动、交互作用和模型设定错误都可能影响这种解释。

预测还涉及另一项区别。对于估计样本中已有的组,固定效应模型可以给出其截距的拟合值;但对于一个全新的组,模型并没有可供使用的、不受约束的截距估计值。因此,要对未见过的组进行预测,就需要额外的约定或模型,例如指定一个参照截距,或采用层级分布。即便对于样本中已有的组,较短的观测记录也可能使其截距估计存在较大噪声,哪怕共同斜率的估计相对精确。

模型描述应明确说明纳入了哪些效应,才能提供充分的信息:个体、家庭、企业、地区、时期,或不同分类之间的交互效应。仅说“控制了固定效应”,并不能说明估计利用了哪些变异。包含地区效应和年份效应的模型,不同于包含地区与年份交互效应的模型;后者会吸收所有在同一地区—年份单元内保持不变的变量。同样,各个体特有的线性趋势所剔除的变异空间,也不同于仅纳入个体截距时所剔除的变异空间。

模型的解释还取决于处理缺失观测、共线回归变量以及模型特定的样本排除后所得到的有效样本。在单向线性模型中,如果某个观测是其所在组的唯一成员,它就不能提供任何组内信息。在非线性估计中,结果变量恒定的组或能够被完全预测的观测,可能因不同的数学原因而被排除。这些变化既可能改变估计的精度,也可能改变估计所对应的总体。

结果报告通常会区分组内、组间和总体拟合优度指标,给出个体数和观测数,说明协方差估计方法及聚类层级,并在展示组效应时明确系数的归一化约束。这些细节可以揭示,估计究竟依赖于个体内部的反复变化、个体之间的差异,还是将两者结合起来的假设。