面板数据分析系列第2讲：为什么固定效应几乎成了默认选项，而随机效应却越来越少出现？
在不少统计教材和课程安排中，面板数据分析往往被拆成几个“并列的方法”：合并回归、固定效应、随机效应，各自有公式、有假设，也各自有适用条件。
但当研究者真正开始读论文、写论文时，往往会产生一个困惑：
为什么在现实研究中，固定效应几乎成了默认选项，而随机效应却越来越少出现？
要理解这个问题，关键不在于方法“高不高级”，而在于：
不同模型，究竟在处理哪一类不可观测的差异。
01面板数据分析，并不是在“换一种回归”
从形式上看，面板数据分析仍然是回归分析。变化并不在于是否回归，而在于：数据中多了一层结构。
当我们同时观察多个个体、并在多个时间点上反复观测它们时，几乎不可避免地会遇到这样一种情况：
即便控制了所有可观测变量，不同个体之间，仍然存在长期、稳定、难以量化的差异。
这些差异，可能来自能力、偏好、制度环境，也可能来自一些我们根本无法测量的特征。面板数据模型之间的区别，核心就在于：
这些“看不见的差异”，究竟该怎么处理。
02固定效应，到底“固定”的是什么？
固定效应模型的出发点非常直接：
既然不同个体之间存在稳定差异，而这些差异又可能影响因变量，那就干脆不去假设它们是什么，而是允许它们存在。
在模型中，这种想法可以写成一个非常简单的形式：
这里的关键，不在于公式本身，而在于其中的。
它表示的是：
每一个个体，都被允许拥有一个自己的“基准水平”。
这个基准水平不需要被解释，也不需要我们真的去估计“第 i 个体到底是多少”，它只是被当作一种长期存在、且不随时间变化的个体特征。
固定效应模型真正做的事情，是在估计过程中，把这些整体剔除掉，只利用同一个体在不同时点上的变化，来识别
对
的影响。
从这个角度看，固定效应并不是“多加了控制变量”，而是通过一种结构性的方式，回答这样一个问题：
当个体自身的特征保持不变时，解释变量的变化，是否会带来结果的变化？
也正因为如此，它天然具有一个优势：
只要个体差异是时间不变的，它们就不会干扰估计结果。
03随机效应，原本是为了解决什么问题？
与固定效应不同，随机效应模型选择了一条更“节省信息”的路径。
它并不完全消除个体差异，而是把这些差异当作一种随机成分，纳入误差结构中统一处理。在形式上，这可以写成：
它同样表示个体之间长期存在的差异，但在随机效应模型中，这种差异不再被当作“需要剔除的常数项”，而是被视为一类随机扰动，与误差项一起进入模型结构。
随机效应模型之所以在理论上具有吸引力，正是因为它引入了一个关键假设：
如果这一假设成立，那么模型就可以在保留更多变异信息的同时，提高估计效率。也正因如此，在不少教材中，随机效应常被介绍为一种“更高效”的方法。
问题并不在于这种说法是否正确，而在于：
但在大多数应用研究中，研究者很难对这一假设给出令人信服的论证。
当个体特征既影响解释变量的取值，又直接影响研究结果时，把这些差异当作“随机噪声”，反而可能引入系统性偏误。
04为什么现实研究更偏向固定效应？
在真实的数据环境中，个体差异与解释变量完全不相关，往往只是一个理想化前提。
企业规模、地区发展水平、个人能力、制度环境，这些因素既影响解释变量的取值，也往往直接影响研究结果。
一旦这种关联存在，随机效应模型的优势就会迅速转化为风险。
而固定效应的“稳妥”，并不来自模型更复杂，而是来自它对假设的要求更低。
在假设难以验证的情况下，研究者更倾向于选择：
即便牺牲一些效率，也能换来更稳健结论的方法。
这也是为什么，在越来越多的实证研究中，固定效应逐渐成为默认选择。
05Hausman 检验，为什么没能“终结”这个问题？
很多初学者会问：
既然有 Hausman 检验，不能直接用它来决定选哪一个模型吗？
从形式上看，Hausman 检验确实是在比较固定效应和随机效应的差异。
但在实践中，它更多起到的是一种“警示”作用，而不是裁决作用。
当检验结果高度依赖样本设定、变量选择或模型形式时，本身就说明：
结论对假设非常敏感。
在这种情况下，研究者往往不会因为一次检验结果，就轻易接受随机效应的设定。
写在最后
随机效应在现实研究中被使用得越来越少，并不是因为它“错了”，而是因为在多数应用场景下，我们很难对它的核心假设有足够信心。
固定效应的流行，反映的并不是统计技术的升级，而是一种研究态度的变化：当无法确定假设是否成立时，优先选择更稳妥、更透明的处理方式。
理解这一点，固定效应与随机效应之间的关系，就不再是“谁更高级”，而是：
在什么问题下，我们愿意承担怎样的假设风险。