使用R中pglm进行固定效应泊松回归出现异常输出问题问询

核心问题根源 #

你强行将非计数型的净移民数据（即使转成正值）适配泊松回归，违背了泊松模型的核心假设——响应变量需为非负整数计数数据。净移民数据（哪怕转换后）多为连续型数值，这是导致固定效应模型输出异常、随机效应模型出现警告的主要原因。

针对性解决方案 #

方案1：放弃计数模型，直接用线性固定效应回归（最稳妥）

线性模型完全支持负值响应变量，无需对净移民做任何转换，且plm包的固定效应模型稳定性远高于强行适配的泊松模型：

library(plm)
# 假设你的面板数据已按「个体（国家）+年份」整理，index参数对应你的个体和时间列名
linear_fe_model <- plm(SM.POP.NETM ~ SI.POV.GINI + 控制变量列表, 
                       data = wdi_data, 
                       index = c("country_id", "year"), 
                       model = "within")
summary(linear_fe_model)

方案2：若坚持用计数类模型，调整模型与数据处理

如果因研究设计必须用计数模型，按以下步骤排查修复：

1. 检查数据转换逻辑
   确认转换公式正确：transformed_netm <- SM.POP.NETM - min(SM.POP.NETM, na.rm = TRUE) + 1，确保所有值为正。若原数据是小数（如人均净移民），转后仍为连续值，此时泊松模型依然不适用，建议改用负二项模型。
2. 排查个体内变异
   泊松固定效应模型要求每个个体（国家）内的响应变量必须有变异，若某国多年转换后的净移民值完全相同，会导致模型估计异常。用以下代码检查：

   library(dplyr)
   wdi_data %>%
     group_by(country_id) %>%
     summarise(var_netm = var(transformed_netm, na.rm = TRUE)) %>%
     filter(var_netm == 0)
   

   对这类无变异的个体，要么删除，要么重新评估研究样本。
3. 替换为负二项模型处理离散问题
   随机效应模型的警告大多源于过度离散（泊松模型假设均值=方差，实际数据往往不满足），改用负二项模型可解决：

   library(pglm)
   # 随机效应负二项模型
   negbin_re_model <- pglm(transformed_netm ~ SI.POV.GINI + 控制变量列表, 
                          data = wdi_data, 
                          family = negbin, 
                          model = "random", 
                          index = c("country_id", "year"))
   summary(negbin_re_model)
   
   # 固定效应负二项模型（用glmmTMB更稳定）
   library(glmmTMB)
   negbin_fe_model <- glmmTMB(transformed_netm ~ SI.POV.GINI + 控制变量列表 + factor(country_id), 
                             data = wdi_data, 
                             family = nbinom2)
   summary(negbin_fe_model)
   

方案3：排查模型拟合的数值问题

• 先清理缺失值：用wdi_data_clean <- na.omit(wdi_data)处理后再跑模型，缺失值会干扰pglm的估计。
• 检查预测变量的个体内变异：若基尼系数或控制变量在某国多年无变化，会导致多重共线性，出现系数NA，可删除这类变量或合并样本。

内容的提问来源于stack exchange，提问作者user24820468