同问：固定效应与随机效应的区分与模型设定（是否需要设立交互项）有关系吗？

同问：固定效应与随机效应的区分与模型设定（是否需要设立交互项）有关系吗？

区分固定效应和随机效应主要目的在于了解数据的特点，选择合适的回归参数估计方法。对于固定效应模型可以采用最小二乘虚拟变量回归（LSDV）或广义最小二乘法的协方差分析（ANCOVA）估计模型参数； 对于随机效应模型则可以采用广义最小二乘法（GLM）估计模型参数。

我以Greene的书作为参考，加上我自己的理解给你解释。
首先要搞清楚的是固定效应（FE）和随机相应（RE）的本质区别在于E(Ci | Xi)=constant与否， 其中Ci表示的是Individual Effects. 如果不作区分，在估计FE和RE模型的时候会产生一些问题。FE的假设比较符合现实，但由于假设太弱又会具有一些问题。而RE的假设太强了，不符合现实。所以才有处于假设强度中间位置的Munlak和Chamblein的方法，Chamblein的假设又比Munlak要弱一些。根据Greene的书，我们大致知道有以下几种估计方式（不知道怎么在论坛打数学符号，所以我用文字叙述。建议看原版书）：
1、Pooled Regression Model，也就是相当于假设所有数据来自同一个总体。不管是取自哪个个体或者哪个时间。这个时候如果对FE模型用OLS估计，会产生endogeneity，所以对FE是不合适的。但是可以对RE用OLS估计，但分析error term我们可以知道，RE模型具有autocorrelation，所以我们可以采取OLS+robust covariance matrix的形式。（endogeneity & autocorrelation的产生都是由E(Ci | Xi)=constant与否的不同情况）
2、出于同样的考虑，我们可以把数据根据个体的不同看作不同的clusters，对模型进行一点转化，采用Group means+ robust covariance matrix、first difference或者deviations (within, between, total)对模型进行估计。这些方法全都适用于RE。但由于E(Ci | Xi)不为constant，Group means的方法不适用于FE，会导致无法识别的问题。
3、如第9楼所说，对FE我们可以写成LSDV的形式进行估计（LSDV相当于把individual effects提了出来放在估计式中，从而不会有endogeneity）。由于数据量太大，我们通常采用Partial Regression的方式。但是需要注意的是RE也可以采用LSDV的形式利用Partial Regression的方式进行估计。
4、对RE，由于具有autocorrelation，所以我们采用GLS或者WLS。这两者需要假设covariance matrix已知。如果covariance matrix未知，我们可以采用FGLS和FWLS，F means feasible.

固定效应代表的是除模型中的解释变量外，其他不可观测的变量对Y的影响吗

学习了，赞一个

好问题，学习学习。

”不因截面变化但随时间变化的非观测因素“能举个具体的例子吗？
谢谢

“因截面因时间而变化的不可观测因素”能举个具体的例子吗？
谢谢

很受益

可能是我太愚钝了，还是没有看得很明白

interesting

谢谢！学习了

点赞。

学习啦！很赞！

应该是看假定不随时间变化的因素是否与解释变量相关吧

请问楼主，这句话怎么理解

请问楼主，这句话怎么理解

看得我稀里糊涂的