paneldata数据分析 一(4)

混合回归模型方程式
这是最简单粗暴的处理方式，把所有的数据混合在一起，当做截面数据去对待，直接跑OLS.
尽管通常我们假设个体之间的扰动项相互独立，但是同一个体不同时间的扰动项存在自相关。这时候，对标准误的估计应该采用聚类稳健的标准误（cluster-robust standard error）。其中聚类（cluster）就是每个个体不同时期的所有观测值组成。同一聚类（个体）的观测值允许存在相关性，不同聚类个体的观测值则不相关。
因此，混合回归也被称为“总体平均估计量”（population-averaged estimator， PA）,可以理解为化面板分析为截面分析。
混合回归的基本假设是不存在个体效应，也被认为是最严格的面板数据模型，在文献中不常见。（不常见的意思是不用学了，写paper也发不了）
这一假设的统计检验根据固定效应和随机效应进行检验。
2、个体固定效应模型（Inp>
我们假设给定个体i，个体之间有一些无法观测的异质性变量，用αi描述，比如说你想探索影响一个人升迁的因素，除了学历、专业等等可测变量，还有很多不可测的变量，如“guanxi”和情商等。
那么问题来了，个人的异质性因素αi是否会对回归元造成影响，也就是αi和x是否相关。如果相关，那就是固定效应模型，如果不相关，那就是随机效应模型。（这就是我们检验的依据）
2.1 固定效应模型（Fixed effects model (FE)）
固定效应模型允许个体异质效应αi和回归元x相关
我们把αi归纳在截距中
每一个个体都有独自的截距项和相同的斜率

固定效应模型方程式
取估计去掉个体异质效果