控制个体效应后核心变量变得不显著了怎么办？

MaxineWang 发表于 2022-3-12 19:53
黄老师，请问这样的话，我们还能够通过什么方式来控制那些不随时间变化的个体异质性呢？

可能就没办法！

黃河泉 发表于 2022-3-13 09:28
可能就没办法！

好的，谢谢黄老师

731514106 发表于 2018-4-1 12:14
黄老师，核心变量为虚拟变量（双重差分模型），控制个体和时间双向固定效应后，核心变量不再显著，但是分 ...

您好，请问当时您是如何解决的？

胡培杰 发表于 2024-4-18 11:44
您好，请问当时您是如何解决的？

考虑换变量来着，总之原先的结果没有再用

当您在模型中加入公司-年度固定效应后，核心变量的显著性消失，这可能表明之前的显著关系包含了一些公司特定的特征或者时间序列特性。公司异质性是可能的一个原因，因为不同的公司在运营、策略或环境上可能存在差异，这些差异可能与核心变量和因变量的关系有关。

除了公司异质性外，还有其他可能的解释：

1. **过度控制**：过多的固定效应可能会导致模型的剩余误差太小，无法检测到原本显著的关系。这被称为“伪回归”问题。

2. **内生性问题**：核心变量可能与未观测到的公司特定因素有关，这些因素同时也影响了因变量，导致估计结果偏误。

3. **样本选择偏差**：固定效应可能会暴露某些公司的特定模式，如果这些公司在样本中不成比例地代表，可能导致关系的变化。

处理办法包括：

1. **重新思考模型结构**：检查是否需要控制所有公司-年度固定效应。有时候，行业-年份或其他更高级别的固定效应可能就足够了。

2. **探索性分析**：查看核心变量与因变量在不同公司的分布和相关性，看是否有明显的模式或故事可讲。

3. **使用工具变量法**：如果内生性是问题所在，寻找合适的工具变量可以帮助解决这个问题。

4. **考虑其他模型形式**：比如动态面板数据模型（如系统GMM）可能更适合处理这种时间序列的依赖性。

5. **增加样本量**：如果可能的话，增加更多公司或年份的数据可能会改善估计结果。

在进行决策时，应结合理论背景、实证文献和数据特性来考虑。如果无法确定最佳解决办法，可以尝试多种方法并对比分析结果。

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