面板数据分析系列第5讲：固定效应稳妥，但它等同于“因果识别”吗？
在前几讲中，我们通过一个城市—年份面板数据的示例，展示了固定效应模型如何通过结构性方式，剔除城市层面不随时间变化的长期差异，使回归系数的估计仅来源于城市内部随时间的变化。
在很多实证研究中，这一步往往被视为一种相对稳妥的设定。
一个非常自然、也非常常见的问题随之出现：
在已经引入固定效应的情况下，回归结果是否就具备了因果解释的充分条件？
这个问题的答案，并不简单。
01 固定效应，究竟解决了什么问题？
回到前面的例子。
我们研究的是：教育投入是否会影响学生成绩。
在城市层面，不同城市之间往往存在大量难以观测、但又相对稳定的差异，例如教育传统、制度环境、家长期望等。这些因素既可能影响教育投入水平，也可能直接影响学生成绩。
固定效应模型的作用，是将这些时间不变的城市特征整体吸收，从而避免它们对估计结果造成系统性干扰。
换句话说，固定效应主要解决的是：
- 来自“长期不变个体差异”的遗漏变量偏误问题。
02但固定效应并不会自动带来因果解释
要注意的是，引入固定效应，并不会自动将相关关系转化为因果关系。
在教育投入的例子中，即便已经控制了城市固定效应，仍然可能存在其他内生性来源，例如：
- 教育投入的变化，本身可能是对学生成绩变化的回应
- 某些随时间变化的政策或经济冲击，同时影响投入与成绩
- 城市在特定时期对教育投入的调整，可能伴随着其他改革措施
这些问题，并不会因为引入固定效应而自动消失。
03一个常见误解：固定效应“更稳妥”，就更因果？
在实践中，研究者常常会观察到这样一种现象：
- 合并回归中，教育投入显著
- 随机效应模型中，结果依然显著
- 固定效应模型中，显著性下降，甚至不再显著
这一变化，很容易被解读为两种极端结论：
- “固定效应否定了因果关系”
- 或者相反，“只有固定效应才是真实因果”
但这两种理解都不准确。
固定效应所做的，只是限制了模型所使用的信息来源。当模型只利用城市内部随时间变化的有限信息时，估计结果自然会变得更加克制。
因此：
- 显著性下降，并不等同于因果更弱
- 显著性存在，也不等同于因果成立
04 固定效应更像是一道“必要但不充分”的门槛
从方法论角度看，固定效应更像是一道门槛，而不是终点。
它帮助研究者回答的是：
在剔除个体层面长期差异之后，变量之间的关系是否仍然存在？
但它并不能回答：
这种关系是否来自解释变量对被解释变量的单向影响？
在教育投入的例子中，固定效应只能告诉我们：
- 当某一城市自身的教育投入发生变化时，学生成绩是否随之变化；但它并不能判断，这种变化是否具有明确的因果方向。
05 那什么时候，固定效应“更接近因果”？
在某些特定情形下，固定效应模型的结果可以被更接近因果地解读。
例如，当教育投入的变化主要来自外生政策调整，且这一调整并非由学生成绩或其他相关因素共同决定时，固定效应的设定会更有说服力。
但是，这种因果解释并不是由固定效应模型本身“赋予”的，而是由研究设计和制度背景共同决定的。
06小结：固定效应的真正价值在哪里？
通过这一讲可以看到：
- 固定效应并不是因果识别工具
- 它是一种降低假设要求、压缩信息来源的估计策略
- 它的价值在于，让研究者清楚地知道： 模型究竟在用什么信息说话，又刻意放弃了什么信息
写在最后
在面板数据分析中，方法本身并不会自动产生因果结论。真正决定因果解释边界的，始终是研究设计，而不是回归形式。
在继续引入更复杂的方法之前，下一讲我们将先回到模型设定本身，讨论一个同样经常被误解的问题：随机效应与固定效应之间的差异，究竟应当如何判断？