Модели с фиксированными эффектами

Модели с фиксированными эффектами (англ. fixed effects models) — класс статистических моделей, используемых для анализа панельных данных (продольных данных), в которых предполагается, что индивидуальные характеристики объектов наблюдения (например, стран, фирм, людей), не изменяющиеся во времени, коррелируют с объясняющими переменными. В таких моделях каждый объект имеет свой уникальный константный член (индивидуальный эффект), который не зависит от времени и учитывает все ненаблюдаемые гетерогенные факторы, специфичные для данного объекта. Основная цель применения моделей с фиксированными эффектами — устранение смещения оценок, вызванного пропущенными переменными, которые постоянны во времени, но различаются между объектами.

История и теоретические основы

Методология моделей с фиксированными эффектами восходит к работам по анализу панельных данных, получившим развитие в 1960–1970-х годах. Ключевой вклад внесли экономисты Гэри Чемберлен, Зви Грилихес и Джеймс Хекман, которые формализовали подходы к учёту ненаблюдаемой гетерогенности. В отличие от моделей со случайными эффектами, где индивидуальные эффекты предполагаются некоррелированными с регрессорами, модели с фиксированными эффектами допускают произвольную корреляцию, что делает их более устойчивыми к эндогенности, вызванной пропущенными переменными.

Основное уравнение модели с фиксированными эффектами для панельных данных имеет вид:

\[ y_{it} = \alpha_i + \beta X_{it} + \varepsilon_{it} \]

где:

• \( y_{it} \) — зависимая переменная для объекта \( i \) в момент времени \( t \);
• \( \alpha_i \) — индивидуальный фиксированный эффект (константа для каждого объекта);
• \( X_{it} \) — вектор объясняющих переменных;
• \( \beta \) — вектор коэффициентов, предполагаемых одинаковыми для всех объектов;
• \( \varepsilon_{it} \) — случайная ошибка.

Индивидуальный эффект \( \alpha_i \) поглощает все ненаблюдаемые факторы, которые постоянны во времени для данного объекта (например, географическое положение, институциональные особенности, культурные нормы). Если эти факторы коррелируют с регрессорами, то оценки, полученные без их учёта (например, методом обычного МНК), будут смещёнными.

Методы оценки

Для оценки параметров моделей с фиксированными эффектами применяются несколько подходов, которые позволяют исключить влияние \( \alpha_i \).

Внутригрупповой преобразователь (within estimator)

Наиболее распространённый метод — преобразование данных к отклонениям от средних значений по каждому объекту. Для каждого объекта \( i \) вычисляются средние по времени значения зависимой и объясняющих переменных:

\[ \bar{y}_i = \frac{1}{T} \sum_{t=1}^{T} y_{it}, \quad \bar{X}_i = \frac{1}{T} \sum_{t=1}^{T} X_{it} \]

Затем исходное уравнение вычитается из среднего:

\[ y_{it} - \bar{y}_i = \beta (X_{it} - \bar{X}_i) + (\varepsilon_{it} - \bar{\varepsilon}_i) \]

Индивидуальный эффект \( \alpha_i \) исчезает, так как он постоянен во времени. Оценка \( \beta \) получается применением обычного МНК к преобразованным данным. Этот метод называется «внутригрупповым» (within), поскольку использует вариацию внутри каждого объекта, игнорируя различия между объектами.

Метод фиктивных переменных (LSDV)

Альтернативный подход — включение в регрессию фиктивных переменных для каждого объекта (кроме одного, чтобы избежать мультиколлинеарности). Уравнение принимает вид:

\[ y_{it} = \beta X_{it} + \sum_{j=1}^{N} \gamma_j D_j + \varepsilon_{it} \]

где \( D_j \) — фиктивная переменная, равная 1 для объекта \( j \) и 0 для остальных. Оценки \( \beta \) и \( \gamma_j \) получаются МНК. Этот метод эквивалентен внутригрупповому преобразователю, но требует оценки большого числа параметров (например, для 1000 объектов — 1000 фиктивных переменных), что может быть вычислительно затратно.

Первые разности (first-difference estimator)

Для моделей с двумя временными периодами или для устранения трендов используется преобразование первых разностей:

\[ y_{it} - y_{i,t-1} = \beta (X_{it} - X_{i,t-1}) + (\varepsilon_{it} - \varepsilon_{i,t-1}) \]

Индивидуальный эффект также исчезает, так как \( \alpha_i - \alpha_i = 0 \). Этот метод особенно полезен, если ошибки \( \varepsilon_{it} \) имеют автокорреляцию.

Допущения и ограничения

Модели с фиксированными эффектами основаны на ряде ключевых допущений:

• Строгая экзогенность: ошибки \( \varepsilon_{it} \) не коррелируют с регрессорами во всех временных периодах: \( E[\varepsilon_{it} | X_{i1}, X_{i2}, ..., X_{iT}] = 0 \). Нарушение этого условия (например, из-за обратной причинности) приводит к смещению оценок.
• Отсутствие строгой мультиколлинеарности: регрессоры не должны быть линейно зависимыми.
• Гомоскедастичность и отсутствие автокорреляции: для состоятельности оценок в больших выборках это не обязательно, но для корректных стандартных ошибок требуются робастные оценки.

Основные ограничения:

• Невозможность оценки эффектов переменных, постоянных во времени: например, пол, раса, страна рождения — их влияние поглощается индивидуальным эффектом \( \alpha_i \). Для анализа таких переменных необходимы другие модели (например, случайные эффекты или модели Хаусмана-Тейлора).
• Потеря степеней свободы: при большом количестве объектов (N) и малом числе временных периодов (T) оценки могут быть неэффективными.
• Чувствительность к ошибкам измерения: если переменные измеряются с ошибкой, внутригрупповое преобразование может усугубить смещение.
• Проблема «плохой» вариации: если объясняющие переменные почти не меняются во времени для каждого объекта, оценки становятся неточными.

Применение

Модели с фиксированными эффектами широко используются в эконометрике, социологии, политологии, медицине и других областях, где доступны панельные данные.

Экономика

• Анализ влияния экономической политики на ВВП стран: фиксированные эффекты учитывают ненаблюдаемые институциональные особенности.
• Оценка отдачи от образования: использование панельных данных по индивидам позволяет контролировать врождённые способности.
• Исследование эффектов минимальной заработной платы на занятость: фиксированные эффекты на уровне штатов или регионов устраняют постоянные региональные различия.

Социология и политология

• Изучение влияния уровня доходов на политическую активность: индивидуальные эффекты учитывают культурные и исторические факторы.
• Анализ динамики преступности: фиксированные эффекты на уровне городов контролируют постоянные демографические характеристики.

Медицина и эпидемиология

• Оценка эффективности лекарственных препаратов в клинических испытаниях с повторными измерениями: фиксированные эффекты пациента учитывают его генетические и физиологические особенности.
• Исследование влияния загрязнения воздуха на здоровье: фиксированные эффекты на уровне регионов устраняют постоянные географические факторы.

Сравнение с моделями со случайными эффектами

Выбор между фиксированными и случайными эффектами — одна из ключевых задач при анализе панельных данных. В моделях со случайными эффектами (random effects) индивидуальные эффекты \( \alpha_i \) предполагаются случайными и некоррелированными с регрессорами. Это позволяет оценивать эффекты переменных, постоянных во времени, и даёт более эффективные оценки при выполнении допущения об ортогональности.

Для проверки корректности модели со случайными эффектами используется тест Хаусмана, который проверяет гипотезу о том, что разница между оценками фиксированных и случайных эффектов не является систематической. Если гипотеза отвергается (p-значение мало), предпочтение отдаётся модели с фиксированными эффектами, так как случайные эффекты дают смещённые оценки.

Расширения и модификации

Существуют различные обобщения моделей с фиксированными эффектами:

• Модели с фиксированными эффектами для временных периодов: включают фиктивные переменные для каждого временного периода, чтобы учесть общие временные шоки (например, макроэкономические кризисы).
• Двусторонние фиксированные эффекты: комбинация индивидуальных и временных эффектов: \( y_{it} = \alpha_i + \lambda_t + \beta X_{it} + \varepsilon_{it} \), где \( \lambda_t \) — временной эффект.
• Модели с фиксированными эффектами для нелинейных зависимостей: например, логит- или пробит-модели с фиксированными эффектами, которые требуют специальных методов оценки (условное правдоподобие, метод Чемберлена).
• Модели с фиксированными эффектами и инструментальными переменными: для решения проблемы эндогенности, когда регрессоры коррелируют с ошибкой даже после учёта фиксированных эффектов.

Критика

Основные критические замечания в адрес моделей с фиксированными эффектами связаны с их ограничениями:

• Неспособность анализировать долгосрочные эффекты: если переменные медленно меняются во времени, фиксированные эффекты могут «съедать» большую часть вариации, делая оценки неточными.
• Игнорирование межгрупповой вариации: информация о различиях между объектами полностью теряется, что может быть неэффективно, если эти различия информативны.
• Чувствительность к выбору временного периода: при коротких панелях (малое T) оценки могут быть смещёнными (проблема Никелла для динамических панелей).
• Предположение о постоянстве эффектов во времени: в реальности индивидуальные характеристики могут меняться, что нарушает допущение модели.

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.
• Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press.
• Greene, W. H. (2018). Econometric Analysis. Pearson.