请问您解决了吗？谢谢，打扰了

在双向固定效应回归中（即同时控制个体固定效应和时间固定效应），纳入非时变(over time invariant)的解释变量确实会遇到挑战。这是因为非时变变量与个体固定效应完全共线，导致模型无法识别它们的影响。

解决这个问题的一种方法是使用“Difference GMM”估计法或“System GMM”。这种方法通过差分方程（一阶差分）和水平方程（包含原变量）来控制固定效应，并允许非时变变量的估计。这在动态面板数据模型中很常见，但也可以应用于静态模型。

然而，在你的特定案例中，如果你仍然想要使用传统的方法（如FE），并且想要加入非时变虚拟变量的影响，可以尝试以下方法：

1. **交互项**: 考虑创建一个时间变化的解释变量与你感兴趣的非时变虚拟变量之间的交互项。例如，如果“是否拥有共同边境”是你的虚拟变量，你可以将其与年份或某个随时间变化的经济指标相乘，从而捕捉到这种影响如何随着不同条件的变化而变化。

2. **使用随机效应模型**: 虽然这牺牲了控制个体特定效应的能力，但可以允许非时变变量的估计。不过，这种方法假设观测值之间的变异可以由残差来解释，可能不是最理想的解决方案。

3. **混合固定效应模型**: 一些软件包（如R中的`plm`包或Stata中的`reghdfe`命令）提供了更复杂的控制固定效应的方法，允许非时变变量的估计。这些方法通常通过迭代过程逐步去除固定效应的影响。

4. **使用层次化多水平模型**：虽然不常见于贸易研究中，但这种方法允许在不同层级上定义固定和随机效应，可能可以适应你的数据结构。

对于你提到的效果不佳或反向相关问题，这可能是由于其他遗漏变量、错误的规格化、或者非线性关系等。仔细检查数据质量、模型规格，并考虑理论预期也是重要的步骤。

请根据你的具体研究设计和软件能力选择最合适的方法。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用