不是面板数据可以用双向固定吗

结论先行
“不是面板数据”≈缺少“个体 × 时间”二维重复观测，就无法也没必要做“双向固定效应”（Two-way FE）。
如果硬把截面数据当成面板、人为造出“个体+时间”两维，会立刻掉进“伪重复、虚假自由度”陷阱，t 值膨胀，估计不一致。

下面把道理、例外与替代方案一次说清。

1 双向 FE 的数学前提
y_it = α_i + γ_t + βX_it + ε_it
必须有 i（个体）和 t（时间）同时出现多次，才能分别估计 α_i、γ_t 两个高维虚拟变量集。
截面数据只有 i 没有 t（或只有 t 没有 i），或者每个 i 仅出现一次，α_i 与 γ_t 之一必然与常数项完全共线，Stata 会直接 drop。

2 常见“假双向”误区

• 误区1：把“省份”当个体，“年份”当时间，但每个省份只有一年数据 → 每格 (i,t) 仅 1 条记录，等价于截面，无法区分 α_i 与 γ_t。
• 误区2：把“公司+月份”硬拆成面板，但公司只被观测一次 → 同样无法估计公司 FE。
  结果：软件会报告“omitted”或“singleton groups”，估计其实退化成单向 FE 甚至 OLS。

3 唯一可讨论的“近似”场景
数据不是经典长面板，但满足：

• 短而平衡：n 很大、T=2（前后两年），可勉强估计双向 FE，前提是每 (i,t) 都有记录；
• 或“重复截面”(repeated cross-section)：每年样本不同，没有 i 的追踪，此时只能做“年度 FE”(γ_t)，无法做个体 FE，更谈不上双向。

4 截面数据想“控制”双向异质性，怎么做？

• 单向 FE 足够：
  – 有空间维度（省份、行业）：areg y x i.province, absorb(province) 或 reghdfe x, absorb(province)
  – 有时间维度（年份、季度）：reg y x i.year
• 若担心“省份×年份”共同冲击，用交互固定效应（province×year 虚拟变量）或交互线性趋势（province#c.trend），而非“双向 FE”。
• 更高级：Correlated Random Effects (CRE)、多way clustering、Driscoll-Kraay 标准误，但仍是“截面技术”，不冒充面板。

一句话
没有“个体–时间”重复观测，就别强行“双向固定”；
截面数据里想控制“地区+时间”异质性，用“地区FE + 年份FE”或“地区×年份FE”即可，不要宣称自己做的是 Two-way FE，审稿人一眼就能看出来。