交互固定效应回归教程

稳健性检验

说明 STATAU 交互固定效应回归的维度选择、吸收逻辑、Stata reghdfe 对照代码与结果解读。

常用 Stata 命令reghdfe y x controls, absorb(industry#year) vce(cluster firm)

在 STATAU 中打开此功能

交互固定效应回归行业年份固定效应reghdfeabsorb稳健性检验

这个页面解决什么问题

交互固定效应回归用来控制只在某个维度组合内共享的未观测冲击，例如某一年对某一行业的特定政策或需求变化。它与“同时加入行业固定效应和年份固定效应”不同：交互固定效应为每个行业×年份组合允许独立截距。

方法原理

系统会将两个或更多维度的联合取值构造成无碰撞的交互类别。OLS、FE、Logit 和 Probit 采用吸收式高维固定效应；RE/Pooled 则展开为去掉基准类别后的虚拟变量。交互类别越多，对自由度和计算资源的要求越高。

核心公式

交互固定效应模型

$$y_{it}=\beta x_{it}+\gamma control{s}_{it}+{\delta }_{g(i)\times t}+{\epsilon }_{it}$$

${\delta }_{g(i)\times t}$ 表示个体 $i$ 所属组别 $g$ 与时间 $t$ 的联合固定效应。它能吸收每个组别在每个时点共同承受的冲击。

适用数据与前提

至少选择两个具有明确经济含义的交互维度，如行业和年份、地区和年份。每个组合内需有足够观测和解释变量变异；若核心变量在交互组合内不变，它可能被固定效应完全吸收而无法识别。

STATAU 页面中每个位置应该放什么变量

网站位置	应放入的变量	说明
因变量 (Y) / 自变量 (X) / 控制变量	与基准回归一致的变量	保持一致便于判断增加交互固定效应后的变化。
交互维度（至少两个）	行业、年份、地区等类别列	系统按联合取值生成交互类别，不依赖简单字符串拼接。
基础模型	OLS / FE / RE / Pooled / Logit / Probit	决定交互效应采用吸收式还是虚拟变量式处理。
聚类标准误	例如企业 ID	应依据误差项可能相关的层级选择，不必与交互维度相同。

Stata 等效代码

* 吸收行业×年份交互固定效应
reghdfe [被解释变量] [解释变量] [控制变量], ///
    absorb([行业]#[年份]) vce(cluster [企业ID])

Stata 代码位置	STATAU 网站对应位置	应放入什么
absorb([行业]#[年份])	交互维度	吸收行业×年份联合类别，而不是仅分别吸收行业和年份。
vce(cluster [企业ID])	标准误 = Cluster	按企业层级允许组内误差相关。
reghdfe ...	基础模型 = OLS/FE	高维类别通过吸收式算法控制。

可删除代码段提示

• 不使用聚类标准误时，将 `vce(cluster ...)` 改为页面实际的标准误设定。
• 选择三个交互维度时，可写为 `absorb([维度1]#[维度2]#[维度3])`。
• RE/Pooled 下 STATAU 采用虚拟变量展开，与这段 `reghdfe` 吸收式代码的估计路径不同。

在 STATAU 中操作步骤

1. 在侧栏“稳健性检验”中选择“交互固定效应回归”，配置回归变量和基础模型。
2. 在“交互维度”中至少选择两列，并确认组合有明确的经济含义。
3. 检查交互类别数是否相对样本量过大；RE/Pooled 出现高基数警告时，优先评估是否改用 FE。
4. 运行后核对实际交互维度、交互类别数、被吸收变量和最终样本量。

结果怎么看

• 先确认结果中记录的交互维度顺序和类别数与预期一致。
• 若核心变量被删除或无法估计，检查它是否在交互固定效应组内缺乏变异。
• 样本量减少可能来自缺失值或 singleton 类别处理，应与基准回归的有效样本口径一起说明。
• 交互固定效应后系数变化较大，可能表明基准规格未充分控制组别×时间共同冲击，但也要检查识别变异和标准误变化。

论文表述示例

• 可以写成：“进一步吸收行业×年份交互固定效应，以控制行业层面随时间变化的共同冲击；核心结果保持稳定。”应明确列出交互维度和聚类层级。

常见使用误区

• “行业固定效应 + 年份固定效应”不等于“行业×年份固定效应”。
• 交互类别过细会消耗大量自由度，甚至吸收掉核心解释变量。
• 交互固定效应的层级和聚类标准误的层级是两个不同决策，不应机械设为相同。
• 加入更多固定效应并不一定更好；必须与识别假设和可用的组内变异匹配。

相关页面

• 条件回归教程
• 缩尾样本回归教程
• 固定效应模型教程