面板负二项回归，如何选择固定还是随机效应？

我的情况：做了hausman test，结果显示应该用固定效应；但是用xtnbreg回归时，fe迭代不出结果，显示log likelyhood=****（not concave)，re可以出结果。

问题是：
1、这种情况下如何处理？
2、面板负二项模型，固定效应和随机效应回归的假设有什么不同（别告诉我看书，英文不好，看了没理解透彻…请大神用通俗易懂或举个例子的方式解释一下，谢谢）
3、面板负二项模型回归前后需要做哪些假设？异方差、共线性、内生性、自相关、单位根？

这些问题你都解决了吗，这也是我想问的

同问。。。。求解答。。。

请问楼主解决了吗

请问楼主解决了吗

把i.year  i.industry等之类的虚拟变量放到模型后面就可以了。即，y x.......i.year  i.industry, fe

千年孤城 发表于 2020-7-25 06:33
把i.year  i.industry等之类的虚拟变量放到模型后面就可以了。即，y x.......i.year  i.industry, fe

为什么呢

千年孤城 发表于 2020-7-25 06:33
把i.year  i.industry等之类的虚拟变量放到模型后面就可以了。即，y x.......i.year  i.industry, fe

没有用啊，也没有异常值问题

您的问题包含了几个关键点，我会一一解答：

1. **处理迭代不出结果的情况：**
   如果在使用固定效应（FE）模型时遇到收敛问题，可以尝试以下几种解决方法：
   - **重新审视数据**：检查是否存在异常值或极值，这些可能会导致模型不收敛。你也可以考虑数据的离散程度和范围是否适合进行负二项回归。
   - **调整初始化参数**：有时，通过改变迭代过程的初始猜测点（例如，使用随机效应结果作为固定效应的起始估计），可能有助于FE模型收敛。
   - **尝试其他软件或算法**：不同的统计包和求解器对处理复杂优化问题的能力不同。如果在Stata中遇到困难，可以试试R、Python或其他软件中的相应函数，它们可能提供更多的控制选项来帮助模型收敛。

2. **固定效应与随机效应回归的区别：**
   固定效应（FE）模型和随机效应（RE）模型主要区别在于对个体间不可观测异质性的处理方式。
   - **固定效应假设**：认为每个个体的特定效应是固定的、未知但非随机的参数，它与所有解释变量可能相关。FE模型通过个体层面的时间平均来消除这种效应的影响，从而避免了遗漏变量偏误。
   - **随机效应假设**：视个体特定效应对所有观测值来说是一个随机扰动项，意味着它们与其他变量无关（在条件上独立）。RE模型能够利用更多的信息进行估计，并且效率可能高于FE模型。

3. **面板负二项回归的假设检验：**
   尽管某些经典的线性模型假设（如同方差）在非线性模型中不适用，但在执行面板负二项回归前，仍然有几个关键点需要考虑：
   - **异方差**：负二项回归本身就是处理过度分散（即方差大于均值的情况），通常假定不同的观测间存在异方差。
   - **共线性**：虽然不是严格假设，但解释变量间的高相关性会影响估计结果的稳定性。可以使用VIF或相关矩阵来检查。
   - **内生性**：负二项回归同样需要考虑潜在的反向因果关系或遗漏变量问题，这可能通过工具变量方法解决。
   - **自相关**：在时间序列数据中尤其重要，但在面板数据背景下，可能会关注组间自相关（个体效应）和组内自相关。对于后者，随机/固定效应回归模型已经考虑到了。
   - **单位根问题**：主要适用于时间序列分析，但对于平衡或不完全平衡的面板数据集，在检查时序变量稳定性时可能仍需考虑。

总的来说，虽然负二项回归处理的是计数数据，并且可以容忍过度分散和异方差性，但仍然需要对模型做出合理的选择并检验关键假设。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用