当前位置：首页 > news >正文

【stata】xtreg VS reghdfe

news 2025/5/16 12:21:35

这次的内容一共包括三个部分。
1.固定效应和随机效应的介绍和代码分析；
2.xtreg和reghdfe命令的区别；
3.reghdfe命令的介绍

固定效应FE VS 随机效应RE

FE和RE的核心区别在于如何处理个体之间不可观测的异质性（比如每个工人或公司自身的“固有特质”）。

固定效应模型允许这些个体效应与解释变量相关，要求相对来说比较松；
随机效应模型认为个体效应模型与解释变量不存在相关性，要求是比较严格的。

就比如说，在做企业创新的相关研究，每家企业都有不随时间变化的特征，比如企业文化等等，这些会对企业的创新影响很大，但又很难直接测量。即所谓的 “不可观测的个体效应”，也叫异质性。

以企业创新研究为例，每家企业通常拥有一些不随时间变化的特征，例如企业文化、管理理念等。这些因素虽然难以直接观测或量化，却可能对企业的创新投入与产出产生显著影响。这类无法直接控制但又可能与解释变量（如研发投入）相关的因素，便构成了所谓的**“不可观测的个体效应”，或称为个体异质性**。

若我们认为这些企业特质可能影响自变量（如研发支出）的选择时，更应采用固定效应模型（假设没那么严格）；

若有充分理由认为个体效应与解释变量不相关（要求是比较严格了），或需要保留时间不变变量的系数时，用随机效应模型，

但在模型选择的时候，应该 Hausman 检验方法进行合理性验证。

✅ 一张对比表：固定效应 vs 随机效应

比较项	固定效应模型（FE）	随机效应模型（RE）
基本思想	个体特质（如能力、文化）是固定的且与解释变量相关	个体特质是随机的，与解释变量不相关
个体效应是否与解释变量相关？	✅ 允许相关	❌ 假设不相关
处理方式	显式控制个体效应（如去均值、哑变量、吸收）	把个体效应当作误差的一部分建模
估计方法	“within” 转换 / LSDV	GLS（广义最小二乘法）
能否估计时间不变变量的系数？	❌ 不能（因为时间不变的变量被固定效应吸收了）	✅ 可以估计
效率（在假设满足的前提下）	稳健但可能效率低	更有效率（但要求严格）
Hausman 检验	无需（默认更保守）	✅ 推荐使用（检验是否合理）

*** 导入数据
webuse nlswork, clear
* 如果你像我一样会报错，那么，你可以选择打开这个链接下载数据
* https://www.stata-press.com/data/r16/nlswork.dta
* use "C:\Users\26985\Downloads\nlswork.dta", clear* 设置面板
xtset idcode year* FE VS RE 
* 注意哦，这里的变量回归没有任何意义，仅仅做演示使用的哦~
xtreg ln_wage hours union age, fe
estimates store fextreg ln_wage hours union age, re
estimates store rehausman fe re

这里的检验结果:

. hausman fe_model re_model---- Coefficients ----|      (b)          (B)            (b-B)     sqrt(diag(V_b-V_B))|    fe_model     re_model      Difference          S.E.
-------------+----------------------------------------------------------------hours |   -.0013602     .0000844       -.0014445        .0001015union |    .1070362       .13072       -.0236838        .0023724age |    .0153429     .0148032        .0005397        .0001229
------------------------------------------------------------------------------b = consistent under Ho and Ha; obtained from xtregB = inconsistent under Ha, efficient under Ho; obtained from xtregTest:  Ho:  difference in coefficients not systematicchi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)=      328.00Prob>chi2 =      0.0000. 
end of do-file

这里， $p = 0.000$ ，卡方统计量的值为328非常大，说明 FE 和 RE 的估计差异非常大，也即拒绝了原假设 $H_0$ ，说明固定效应模型比随机效应模型更合适。

关于xtreg和reghdfe的差别

注：下面的两个（1）和（2）对应的代码是等同的

（1），固定效应模型自动控制了个体效应。所以在使用reghdfe的时候，要使用absorb(idcode)。
（2）中，xtreg里面的r和reghdfe中的vce(r)是一样的。但是呢，加入了稳健标准误后，你会发现结果有所差异，原因在于其代码内部对于固定效应的处理方式不同，xtreg采用去均值，"within"转换；reghdfe采用投影矩阵法，效率更高，支持多个固定效应。

*** 导入数据
webuse nlswork, clear
* 如果你像我一样会报错，那么，你可以选择打开这个链接下载数据
* https://www.stata-press.com/data/r16/nlswork.dta
* use "C:\Users\26985\Downloads\nlswork.dta", clear* 设置面板
xtset idcode year* （1）固定效应模型的两个写法
xtreg    ln_wage hours union age, fe
reghdfe  ln_wage hours union age, absorb(idcode)* （2）固定效应模型——稳健标准误
xtreg    ln_wage hours union age, fe r
reghdfe  ln_wage hours union age, absorb(idcode) vce(r)

当然可以，下面是对 reghdfe 命令在 Stata 中的详细解释和实战指南，适合用于面板数据分析、固定效应建模、高维控制变量建模。

reghdfe命令介绍

reghdfe 是一个用于线性回归的高级命令，专门设计来高效地处理 一个或多个固定效应（fixed effects），并支持稳健/聚类标准误差，适合大规模面板数据或需要吸收多个层次控制变量的场景。

🔧 安装命令：

在使用前，请确保你已安装：

ssc install reghdfe, replace
ssc install ftools, replace
ftools, compile

✅ 基本语法结构：

reghdfe depvar indepvars, absorb(varlist) [vce(cluster varname)]

参数说明：

参数	含义
`depvar`	因变量
`indepvars`	解释变量（自变量）
`absorb(varlist)`	要吸收的固定效应变量（可多个，如个体、年份、行业）
`vce(cluster varname)`	聚类稳健标准误，通常用于个体或面板单位

📘 示例应用场景讲解

📌 例 1：控制个体固定效应

reghdfe ln_wage hours union age, absorb(idcode) vce(cluster idcode)

控制：个体固定效应（idcode）
自变量：工时、是否工会、年龄
对标准误聚类于个体 → 允许个体内的误差项自相关或异方差

📌 例 2：控制个体 + 年份固定效应

reghdfe ln_wage hours union age, absorb(idcode year) vce(cluster idcode)

同时控制了个体差异与年份影响（如经济周期）
类似于在模型中加入 idcode 和 year 的一组 dummy 变量，但计算更高效

📌 reghdfe 的优势

优点	解释
✅ 多重固定效应	可同时吸收多个维度（例如个体 + 时间 + 地区）
✅ 高效计算	比 `areg`、`xtreg` 更快（特别是大样本）
✅ 聚类支持	支持 `vce(cluster ...)` 聚类于任意维度
✅ 可与权重、交互项配合使用	灵活支持各种高级模型设定

🛠 常用选项汇总

选项	说明
`absorb(varlist)`	指定固定效应变量
`vce(robust)`	普通异方差稳健标准误
`vce(cluster var)`	聚类标准误，适合面板分析
`residuals(varname)`	保存残差
`nofe`	不显示固定效应部分信息（仅报告主变量）
`savefe(varname)`	保存固定效应估计值
`aweights`, `pweights`	支持加权回归

✅ 总结：什么时候用 `reghdfe`？

情形	是否推荐用 `reghdfe`
有多个固定效应（如个体+年份）	✅ 强烈推荐
需要聚类标准误	✅ YES
样本量很大	✅ 比 `xtreg`、`areg` 更高效
需要估计时间不变变量	❌ 不支持（除非不吸收个体效应）