Модель с фиксированным эффектом

Модель с фиксированным эффектом (англ. fixed effects model) — это статистическая модель, используемая в анализе панельных данных, которая позволяет контролировать влияние ненаблюдаемых, но постоянных во времени (инвариантных) характеристик отдельных объектов наблюдения (индивидов, фирм, стран, регионов). Основная идея модели заключается в том, что каждый объект имеет свой уникальный, неизменный во времени «эффект» (индивидуальную константу), который коррелирует с объясняющими переменными, и его необходимо элиминировать для получения несмещённых оценок влияния регрессоров.

Сущность и предпосылки

Модель с фиксированным эффектом применяется, когда исследователь предполагает, что ненаблюдаемые гетерогенные характеристики объектов (например, способности человека, корпоративная культура фирмы, географическое положение региона) систематически связаны с включёнными в модель факторами. Если эту связь игнорировать, оценки коэффициентов регрессии, полученные методом наименьших квадратов (МНК), будут смещёнными и несостоятельными.

Ключевые предпосылки модели:

• Индивидуальные эффекты (α_i) являются случайными величинами, которые могут коррелировать с регрессорами (x_it).
• Ошибки (ε_it) гомоскедастичны, не автокоррелированы и не коррелируют с регрессорами.
• Регрессоры не являются строго экзогенными (допускается корреляция с индивидуальным эффектом), но являются строго экзогенными относительно ошибок.
• Эффекты постоянны во времени для каждого объекта.

Математическая формулировка

Общий вид модели панельных данных с фиксированными эффектами для объекта i (i = 1, …, N) в момент времени t (t = 1, …, T):

\[ y_{it} = \alpha_i + \mathbf{x}_{it}'\boldsymbol{\beta} + \varepsilon_{it} \]

где:

• \(y_{it}\) — зависимая переменная;
• \(\mathbf{x}_{it}\) — вектор-строка объясняющих переменных (регрессоров);
• \(\boldsymbol{\beta}\) — вектор коэффициентов (одинаков для всех объектов);
• \(\alpha_i\) — ненаблюдаемый индивидуальный фиксированный эффект (константа для i-го объекта);
• \(\varepsilon_{it}\) — случайная ошибка.

В отличие от модели со случайным эффектом (random effects model), здесь предполагается, что \(\alpha_i\) коррелирует с \(\mathbf{x}_{it}\), а \(\varepsilon_{it}\) — нет.

Методы оценивания

Для получения состоятельных оценок \(\boldsymbol{\beta}\) в модели с фиксированным эффектом используются три основных подхода.

Внутригрупповой преобразователь (within estimator)

Наиболее распространённый метод. Суть заключается в вычитании из каждого наблюдения среднего по времени для данного объекта. Для каждого i вычисляются средние значения:

\[ \bar{y}_i = \frac{1}{T}\sum_{t=1}^{T} y_{it}, \quad \bar{\mathbf{x}}_i = \frac{1}{T}\sum_{t=1}^{T} \mathbf{x}_{it} \]

Затем строится регрессия на отклонениях:

\[ (y_{it} - \bar{y}_i) = (\mathbf{x}_{it} - \bar{\mathbf{x}}_i)'\boldsymbol{\beta} + (\varepsilon_{it} - \bar{\varepsilon}_i) \]

Индивидуальные эффекты \(\alpha_i\) при этом исчезают, так как \(\alpha_i - \bar{\alpha}_i = 0\). Оценки \(\boldsymbol{\beta}\) получаются состоятельными при T → ∞ или N → ∞, но не позволяют оценить сами \(\alpha_i\) (они центрированы относительно нуля).

Метод фиктивных переменных (LSDV — Least Squares Dummy Variables)

В регрессию включаются фиктивные (dummy) переменные для каждого объекта (кроме одного, чтобы избежать мультиколлинеарности). Модель принимает вид:

\[ y_{it} = \alpha_1 D_1 + \alpha_2 D_2 + \dots + \alpha_N D_N + \mathbf{x}_{it}'\boldsymbol{\beta} + \varepsilon_{it} \]

где \(D_i = 1\) для i-го объекта и 0 для остальных. Оценки \(\boldsymbol{\beta}\) и \(\alpha_i\) получаются обычным МНК. При больших N (например, тысячи фирм) этот метод становится вычислительно затратным, но даёт те же оценки \(\boldsymbol{\beta}\), что и within-преобразователь.

Первые разности (first differences)

Для T = 2 или при наличии сильной автокорреляции ошибок используется преобразование в разности:

\[ \Delta y_{it} = y_{it} - y_{i,t-1} = (\mathbf{x}_{it} - \mathbf{x}_{i,t-1})'\boldsymbol{\beta} + (\varepsilon_{it} - \varepsilon_{i,t-1}) \]

Индивидуальные эффекты \(\alpha_i\) также элиминируются. Этот метод менее эффективен, чем within-преобразователь, при отсутствии автокорреляции, но может быть предпочтительнее при T > 2 и наличии единичного корня в данных.

Сравнение с моделью со случайным эффектом

Выбор между фиксированным и случайным эффектом — ключевой вопрос в эконометрике панельных данных. Основные различия:

Для формальной проверки используется тест Хаусмана (Hausman test). Нулевая гипотеза: оценки фиксированного и случайного эффекта не различаются систематически (т.е. случайный эффект состоятелен). Если тест отвергает H0, предпочтение отдаётся модели с фиксированным эффектом.

Ограничения и критика

• Неспособность оценить эффекты постоянных переменных. Поскольку индивидуальные эффекты элиминируются, модель не позволяет оценить влияние факторов, которые не меняются во времени для данного объекта (например, пол, раса, страна рождения). Для таких переменных необходимо использовать другие методы (например, модель Хаусмана-Тейлора).
• Потеря степеней свободы. При LSDV теряется N-1 степень свободы из-за включения фиктивных переменных, что снижает эффективность оценок при малом N.
• Проблема «инцидентных параметров». При фиксированном T и N → ∞ оценки \(\alpha_i\) несостоятельны, что может влиять на оценки \(\boldsymbol{\beta}\) в нелинейных моделях (например, логит или пробит с фиксированными эффектами). Для линейных моделей эта проблема несущественна.
• Чувствительность к выбросам. Внутригрупповое преобразование может усиливать влияние выбросов, особенно при малом T.
• Предположение о строгой экзогенности регрессоров. Если регрессоры коррелируют с прошлыми или будущими ошибками, оценки становятся несостоятельными. В таких случаях применяются обобщённый метод моментов (GMM) или инструментальные переменные.

Применение

Модели с фиксированным эффектом широко используются в эмпирических исследованиях:

• Экономика труда: оценка влияния образования на заработную плату с контролем ненаблюдаемых способностей человека.
• Корпоративные финансы: анализ влияния структуры капитала на стоимость фирмы с учётом корпоративной культуры.
• Макроэкономика: изучение влияния институтов на экономический рост по странам.
• Политология: оценка эффекта избирательных систем на явку избирателей.
• Медицина и эпидемиология: анализ панельных данных пациентов для контроля индивидуальных факторов риска.

История

Концепция фиксированных эффектов восходит к работам по анализу панельных данных середины XX века. Первые формальные модели были предложены в 1960-х годах экономистами, в том числе Марком Нерловом (Marc Nerlove) и другими. В 1970-х годах метод LSDV стал стандартным инструментом в эконометрике. Развитие вычислительной техники в 1980-1990-х годах позволило применять модели с фиксированным эффектом к большим панелям (например, Compustat, PSID). В 2000-х годах были разработаны робастные стандартные ошибки для кластеризованных данных, что повысило надёжность выводов.

Источники

• Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data. MIT Press.
• Baltagi, B. H. (2021). Econometric Analysis of Panel Data. Springer.
• Hausman, J. A. (1978). Specification Tests in Econometrics. Econometrica, 46(6), 1251–1271.
• Greene, W. H. (2018). Econometric Analysis. Pearson.
• Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and Applications. Cambridge University Press.