固定效应回归 (Fixed Effects Regression) 简介

什么是固定效应模型？

固定效应模型（Fixed Effects Model）是面板数据分析中常用的一种方法。它主要用于处理那些不随时间变化但随个体变化的不可观测异质性（Unobserved Heterogeneity）。例如，在研究企业绩效时，企业文化或管理能力可能难以量化且不随时间剧烈变化，但这些因素会影响因变量。固定效应模型通过“差分”或“去均值”的方式，将这些个体特有的不变因素剔除，从而得到自变量对因变量的净影响。

适用场景

• 数据类型：面板数据（Panel Data），即同时拥有截面维度（如不同国家、公司、个人）和时间维度（如年份、季度）的数据。
• 核心假设：个体特有的不可观测效应与解释变量相关。如果无关，则随机效应模型可能更有效率；如果相关，固定效应模型能提供一致估计量。

本代码包功能说明

• main.do：完整的 Stata 操作流程，包括数据设定、模型估计（OLS vs FE vs RE）、假设检验（Hausman Test）及结果保存。
• 核心命令：xtreg y x1 x2, fe 是实现固定效应回归的关键指令。
• 优势：能够有效避免遗漏变量偏差（Omitted Variable Bias），只要该遗漏变量不随时间变化。

结果展示说明

本部分描述在 Stata 中运行 main.do 后，控制台及日志文件中将呈现的文字输出内容。

1. 执行 xtset id year 后

• 输出描述*：

系统会确认面板数据的结构设置成功。

• 显示面板变量（panel variable）为 id，并指出其是强平衡（strongly balanced）还是非平衡。
• 显示时间变量（time variable）为 year，并列出时间跨度（如 2010 到 2025）。
• 显示间隔（delta）为 1 单位。

2. 执行 xtreg y x1 x2, fe 后

• 输出描述*：

屏幕将显示固定效应回归的详细统计表，包含以下关键部分：

• 表头：显示因变量为 y，方法为 "Within" (组内估计)。
• 系数表：
  • 列出 x1 和 x2 的系数（Coef.）、标准误（Std. Err.）、t 值（t）、P 值（P>|t|）以及 95% 置信区间。
  • 这些系数代表在控制了个体固定效应后，自变量每增加一个单位，因变量的平均变化量。
• 模型拟合统计量：
  • R-squared: 分为 Within（组内）、Between（组间）和 Overall（总体）三种 R 方。固定效应主要关注 Within R-squared。
  • F test: 检验所有自变量系数是否联合显著不为零，同时会给出 F 统计量和对应的 P 值。
• 底部注释：
  • sigma_u: 个体效应标准差。
  • sigma_e: 残差标准差。
  • rho: 个体效应方差占总方差的比例（若 rho 接近 1，说明个体差异很大，固定效应很有必要）。
  • F test that all u_i=0: 检验是否存在显著的个体固定效应。如果 P 值很小（<0.05），说明拒绝“所有个体效应为零”的原假设，证明使用固定效应模型优于混合 OLS。

3. 执行 hausman fe_model re_model 后

• 输出描述*：

屏幕将显示豪斯曼检验的结果矩阵：

• 左侧列显示固定效应（FE）和随机效应（RE）的系数差异。
• 下方显示卡方统计量（Chi2）及其自由度（df）。
• 最下方显示 Prob > Chi2（P 值）。
• 结论解读文字：
  • 如果 P 值 < 0.05：拒绝原假设（原假设为 RE 是一致的且有效的），表明个体效应与解释变量相关，应选择固定效应模型。
  • 如果 P 值 > 0.05：不能拒绝原假设，表明随机效应模型更有效率，可考虑使用随机效应模型。