Stata：固定效应的颗粒度选择：实践与陷阱

👇 连享会 · 推文导航 | www.lianxh.cn

• 🍎 Stata：Stata基础 | Stata绘图 | Stata程序 | Stata新命令
• 📘 论文：数据处理 | 结果输出 | 论文写作 | 数据分享
• 💹 计量：回归分析 | 交乘项-调节  | IV-GMM | 时间序列 | 面板数据  | 空间计量 | Probit-Logit | 分位数回归
• ⛳ 专题：SFA-DEA | 生存分析  | 爬虫 | 机器学习 | 文本分析
• 🔃 因果：DID | RDD | 因果推断 | 合成控制法 | PSM-Matching
• 🔨 工具：工具软件 | Markdown | Python-R-Stata
• 🎧 课程：公开课-直播 |  计量专题 | 关于连享会

连享会视频课 · 因果推断实用计量方法

作者：刘佳宁 (清华大学)
邮箱：[e-mail]

温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：

 

编者按：本文主要参考自下文，特此致谢！
Source：

• Zhou X. Understanding the determinants of managerial ownership and the link between ownership and performance: comment[J]. Journal of financial economics, 2001, 62(3): 559-571. -PDF-
• deHaan E. Using and interpreting fixed effects models[J]. Available at SSRN 3699777, 2021. -PDF-
• 知乎推文：固定效应回归的两种实现方法 -Link-

---

目录

• 1. 引言

• 2. 固定效应模型理解

• 2.1 最小二乘虚拟变量估计法

• 2.2 个体内差分估计法

• 3. 固定效应模型颗粒度选择

• 4. 总结

• 5. 相关推文

---

1. 引言

在实证研究中，时间和个体双重固定效应模型随处可见。但在对个体固定效应选择时，究竟是选择更细的公司固定效应还是更粗的行业固定效应？为什么有时两种控制方法会使结果产生显著性变化，甚至符号变化？本文进一步总结了实践中固定效应模型的使用，并结合具体问题探讨了 “个体” 固定效应选择层级的问题。

2. 固定效应模型理解

2.1 最小二乘虚拟变量估计法

固定效应可以在一定程度上解决遗漏变量带来的估计偏差。在实践中，我们通常生成一系列的虚拟变量来建立一个大型变量矩阵进行回归。对于个体 ，虚拟变量定义为 ，如果是其他个体，则 。包含虚拟变量的固定效应模型如下：

该方法的基本 Stata 命令为 reg Y X Z i.id。

2.2 个体内差分估计法

固定效应回归命令通常使用一种数学技巧产生与原模型相同的系数，但计算更容易。具体地，将个体不可观测且不随时间变化的变量表示为 ，个体可观测不随时间变化的变量表示为 ，可以通过组内离差变换消除 和 ：

其中，，， 为个体内差值，即去除个体均值后的值。通过个体变换，不仅去除了不可观测的固定效应 ，同时去除了可观测的不随时间变化的变量 。该方法的 Stata 命令包含三种等价的基本代码 xtreg Y X, fe、areg Y X, absorb(id)、reghdfe Y X, absorb(id)。

接下来，我们以 Kleiber 和 Zeileis (2008) 的 Grunfeld.dta 数据集为例，对两种回归结果进行比较分析。其中，被解释变量是 invest，解释变量是 mvalue 和 kstock，个体变量是 company，时间变量是 year。

. webuse "grunfeld", clear 
. xtset company year

. * LSDV
. qui: reg invest mvalue kstock i.company
. est store m1

. * 个体固定效应模型
. qui: xtreg invest mvalue kstock, fe 
. est store m2
. qui: areg invest mvalue kstock, absorb(company)
. est store m3
. qui: reghdfe invest mvalue kstock, absorb(company)
. est store m4
. local mlist_1 "m1 m2 m3 m4 " 
. esttab `mlist_1' , scalars(N r2) noconstant replace ///
>     mtitles("reg" "xtreg" "areg" "reghdfe")

--------------------------------------------------------------
              (1)           (2)           (3)           (4)   
              reg         xtreg          areg       reghdfe   
--------------------------------------------------------------
mvalue      0.110***      0.110***      0.110***      0.110***
           (9.29)        (9.29)        (9.29)        (9.29)   
kstock      0.310***      0.310***      0.310***      0.310***
          (17.87)       (17.87)       (17.87)       (17.87)                                                
--------------------------------------------------------------
N             200           200           200           200   
r2          0.944         0.767         0.944         0.944   
--------------------------------------------------------------
t statistics in parentheses
* p<0.05, ** p<0.01, *** p<0.001

3. 固定效应模型颗粒度选择

在固定效应模型选择，特别是对于个体固定效应的选择时，我们需要着重考虑数据的组间、组内变异情况和回归的经济含义。以 Zhou (2001) 的文章内容为例：

在探究公司绩效与管理层持股之间的关系时，实证研究出现了不一致的结果。这被解释为内部所有权的复杂作用：一方面管理层持股的增加协调了管理者和股东的利益，从而提高了绩效；另一方面也促进了管理防御，并对绩效产生负面影响。在实证过程中，控制与不控制公司的固定效应对结果产生了不同的影响。

管理层所有权虽然在不同公司之间有很大的不同，但在一个公司内部，管理层所有权通常每年变化缓慢。由于理性的管理者将预期的长期利益最大化，因此尚不清楚的是，一年内所有权的微小变化是否预示着管理激励机制的显著变化。即使随着时间的推移，管理层所有权增加会提高公司绩效，这种影响预计会在横截面数据中显示出来。

一个例子有助于说明这一点，比较两个 CEO：

• CEO A 平均持有公司 10% 的股票；
• CEO B 平均持有公司 0.1% 的股票。

假设 CEO 的持股比例每年的变化很小，比如小于 10% ，而且在一个变化缓慢且受控制的世界中基本上是随机的。然后，观察到的所有权分配为：

• CEO A 在 9% - 11% 之间；
• CEO B 在 0.09% - 0.11% 之间。

如果管理层持股提供了重要的激励因素，可以预计两位 CEO 的业绩会有显著差异。但对于两家公司来说，每家公司的业绩并不会因管理层持股在一年内的微小变化而发生明显变化。当加入公司固定效应时，我们探究的是每家公司内部管理层持股变化对该公司绩效的影响，因此可能不会得到管理层持股增加能够有效提高公司业绩的结论。

如果施加公司固定效应能够解决因未观察到的企业异质性而产生的内生性问题，那么使用工具变量对 OLS 回归结果的改善将和固定效应模型的结果类似，但研究中发现所有权-绩效之间的关系在固定效应回归中消失，但在工具变量回归中变得更强。

Zhou (2001) 使用来自标准普尔 1993-1997 年 ExecuComp 数据集对 CEO 持股占比数据进行了分析。

Table 1 显示了 CEO 所有权的内部变化和横截面变化之间的显著差异。表格中显示的持股数据是 CEO 所持有的公司总股份的百分比。可以看出管理层所有权的变化通常会随着时间的推移而缓慢变化，但不同公司之间差异巨大。这些数字表明，所有权的微小内部变化似乎不太可能意味着激励机制的实质性变化，并在年内对业绩产生可察觉的影响。

Table 2 显示了 CEO 持股比例逐年变化的分布情况。这些变化的计算方法是用年末-年初所有权的差额除以前一年的所有权。对于全部样本，近一半的绝对变化小于 10%。表中还报告了平均持股比例分别超过 1% 和 10% 的 CEO 分布情况。如第三和第四列所示，对于持有较高股权的首席执行官来说，CEO 持股变化明显更小。在持有公司 10% 以上股份的 CEO 中，约有四分之三变动幅度小于 10%。

CEO 所有权如此微小的变化，并不支持管理层股权激励每年都有显著变化的观点。在长期的雇佣关系中，经理的行为不太可能因为股权的微小且可能是暂时的变化而改变。例如，人们不会期望一个经理在一年内因为工作努力而增加了 5% 的持股，然后在第二年卖出 5% 的股份后放松。样本中的大多数公司似乎都有一个 CEO 所有权的目标水平，该目标水平不随时间变化或变化缓慢。这是有道理的，因为所有权可用于激励管理层稳定努力工作，以使公司的长期价值最大化。

与小的内部变异形成鲜明对比的是，公司间的 CEO 持股权变化非常大。Table 3 比较了 CEO 的平均所有权。根据每个 CEO 在样本期内的平均持股情况，整个样本被分成十分位数。表格显示了十分位数之间的巨大差异。最高的十分位数的股票持有量大约是最低的十分位数的 1000 倍。

因此在实践过程中，我们需要对数据的横截面变异和组内变异情况进行有效汇报，并根据经济含义来选择到底应该采用颗粒度更细的固定效应 (公司、个体固定效应) 还是颗粒度更粗的固定效应 (行业、城市固定效应)。

4. 总结

本文总结了固定效应的两种估计方式，并着重解释了为什么研究人员经常将固定效应描述为对 X 的组内变异分析。进一步基于 Zhou (2001) 的 “所有权-绩效” 研究，分析了固定效应颗粒度结果选择对回归结果的可能影响。在未来研究中，建议汇报数据的横截面、组内变异情况，并针对具体研究问题考虑固定效应选择的合理性。

5. 相关推文

Note：产生如下推文列表的 Stata 命令为：
  lianxh 固定效应, m
安装最新版 lianxh 命令：
  ssc install lianxh, replace

• 专题：计量专题
• 主成分分析-交互固定效应基础：协方差矩阵的几何意义
• 专题：回归分析
• 固定效应还是随机效应？
• 专题：面板数据
• FE！FE！面板固定效应模型：你用对了吗
• Stata：双向固定效应模型中是否要控制公司年龄？
• Stata：如何处理固定效应模型中的单期数据-xtfesing
• Stata：固定效应分析新命令-sumhdfe
• xtheckmanfe：面板Heckman模型的固定效应估计
• regife：面板交互固定效应模型-Interactive Fixed Effect
• 引力模型-高维固定效应面板泊松模型
• ocmt：高维固定效应模型的变量筛选问题
• Stata新命令：ppmlhdfe-面板计数模型-多维固定效应泊松估计
• Stata：非对称固定效应模型
• reghdfe：多维面板固定效应估计
• 专题：倍分法DID
• DID最新进展：异质性处理条件下的双向固定效应DID估计量 (TWFEDD)
• Stata：双重差分的固定效应模型-(DID)
• 专题：内生性-因果推断
• 用FE-固定效应模型能做因果推断吗？
• 专题：Probit-Logit
• feologit：固定效应有序Logit模型

课程推荐：因果推断实用计量方法
主讲老师：邱嘉平教授
🍓 课程主页：https://gitee.com/lianxh/YGqjp

 

New！ Stata 搜索神器：lianxh 和 songbl  GIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
  . ssc install lianxh
  . ssc install songbl
👉  使用：
  . lianxh DID 倍分法
  . songbl all

🍏 关于我们

• 连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。
• 直通车： 👉【百度一下： 连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。