linearmodels PanelOLS与statsmodels OLS回归结果差异原因咨询

你遇到的结果差异核心原因是两个模型的固定效应设定不匹配，具体拆解如下：

1. 模型设定的关键差异 #

• statsmodels的OLS回归公式 invest ~ value + capital + C(firm) + C(year) -1 是双向固定效应模型：既包含了个体（firm）固定效应，也包含了时间（year）固定效应，同时-1移除了全局截距。
• linearmodels的PanelOLS仅指定了entity_effects=True，只加入了个体固定效应，完全没有考虑时间固定效应，这是导致系数和R²差异的核心原因。

2. 估计方法的次要差异 #

statsmodels的OLS是通过引入虚拟变量（C(firm)、C(year)）来估计固定效应，属于虚拟变量法；而linearmodels的PanelOLS默认对个体固定效应采用组内去均值法。但这一差异在固定效应设定一致的情况下，不会影响核心系数的估计结果，只是计算方式和输出的统计量（如R²的计算口径）可能略有不同，但核心系数会一致。

修正代码：让两个模型结果一致 #

如果要让linearmodels的PanelOLS和statsmodels的OLS结果匹配，需要同时加入个体和时间固定效应，修正后的代码如下：

import statsmodels.formula.api as smf
from linearmodels import PanelOLS
from statsmodels.datasets import grunfeld

data = grunfeld.load_pandas().data

# statsmodels OLS 双向固定效应
ols_formula = 'invest ~ value + capital + C(firm) + C(year) -1'
ols_fit = smf.ols(ols_formula, data).fit()

# linearmodels PanelOLS 双向固定效应
data = data.set_index(['firm','year'])
# 同时加入个体和时间固定效应
panel_fit = PanelOLS(
    data.invest,
    data[['value','capital']],
    entity_effects=True,
    time_effects=True
).fit()

# 查看结果，此时系数和核心统计量会一致
ols_fit.summary()
panel_fit

修正后，两个模型的value和capital系数会基本一致，R²的差异也会消失（或仅因统计量计算口径的细微差异可忽略）。

内容的提问来源于stack exchange，提问作者pasnik