不客气，个人观点仅供参考。

您好，请问reg y x1 x2 x3 i.id i.year和reg y x1 x2 x3 i.id i.year，vce(cluster id)这两个应该怎么选呢？我得自变量有两个，用第一个的时候全显著，用第二个的只显著一个。

选用后者。后者的结果信度高于前者，但是后者通常更不容易显著。

一般是要考虑聚类稳健标准误的，也就是第二种，至少要考虑异方差稳健标准误。

请问fe后加上r 的话，就不显著了，可以不看r 只剩下fe吗

如果是发文章，我觉得必须得是稳健标准误。如果是毕业论文，那随便你，看你运气了，碰到要求比较高的年轻老师，可能会毙掉你的论文。

如果我是审稿人，看到你模型中含有不随时间变动的变量，但仍然采用个体固定效应，我会直接毙掉你的论文。加了I. city后又加不随时间变动的二值变量，那肯定是错误的

您好，“加了I. city后又加不随时间变动的二值变量，那肯定是错误的”。请问这个是为什么呢？本来就是因为有不随时间、个体变动的二值变量，无法使用xtreg,fe，才选择使用reg y x i.year i.code。请大神赐教

使用`reg y x i.city i.year`命令确实能够捕捉到面板数据中的城市（city）和时间（year）的固定效应。在这个命令中，`i.city`和`i.year`创建了一系列虚拟变量来表示不同的城市和年份，这实质上控制了每个城市的特有属性以及每年的时间趋势。

这种回归方法可以被视作一种特定形式的固定效应回归，其中“固定”指的是那些不随时间变化的城市特性（通过`i.city`）和年份效应（通过`i.year`）。这种方法有效地从数据中剔除了由于城市或年份之间不可观测但稳定的差异所引起的偏差。

但是，需要注意的是这种回归方法与使用面板数据特定命令如`xtreg y x, fe`在估计标准误时有所不同。`xtreg`命令考虑了观察值的集群（cluster）属性，即同一城市不同时间点的数据可能相互关联，而普通最小二乘法OLS（如通过`reg`命令执行的回归）通常假定观测值独立同分布。

对于你的解释变量x是不随时间变化的情况，使用固定效应回归确实会有些限制。因为面板数据的主要优势之一在于能控制不可观测但随着时间不变的个体特性，如果你的关键解释变量也不变，那么模型中可能难以区分这种变量的影响与城市层面固定的效应。这可能导致估计系数有偏或无效。

为了确保结果的有效性，在使用`reg y x i.city i.year`时应考虑以下几点：
1. **集群标准误**：可以手动指定集群标准误来修正推断，例如`vce(cluster city)`。
2. **解释变量的变化**：如果关键解释变量随时间完全不变，则需要谨慎解读其回归系数的意义。可能通过加入其他随时间变化的控制变量或考虑差分固定效应模型等方法提高分析质量。

综上所述，在适当处理集群标准误和充分认识到模型假设的基础上，`reg y x i.city i.year`可以作为一种可行且有效的固定效应回归分析方式。

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