如何利用fixest多估计功能高效估计多个实验回归模型？

完全可以利用fixest的多估计功能实现，这样cluster固定效应仅需计算一次，能显著提升效率。

方式一：用sw()切换处理变量 #

通过sw()（switch的缩写）指定需要轮换的处理变量，保留回归公式中的共同部分，仅替换treatment_i相关项：

# 一次性完成三个模型估计，固定效应只计算一次
models <- fixest::feols(
  y ~ covariate + sw(treatment_1, treatment_2, treatment_3) + 
      i(sw(treatment_1, treatment_2, treatment_3), covariate, ref = 0) | cluster,
  data = df
)

方式二：结合变量列表批量处理 #

如果处理变量命名有规律（比如均以treatment_开头），可以先提取变量名再批量估计：

# 获取所有treatment开头的变量名
treat_vars <- grep("^treatment_", colnames(df), value = TRUE)

# 批量生成并估计模型
models <- fixest::feols(
  y ~ covariate + sw(!!treat_vars) + i(sw(!!treat_vars), covariate, ref = 0) | cluster,
  data = df
)

结果查看 #

执行后，models对象会包含三个估计完成的模型，你可以通过models[[1]]/models[[2]]/models[[3]]单独查看每个模型，或使用etable(models)一次性输出所有结果进行对比。

fixest的多估计功能会先预处理所有模型的共同部分（包括cluster固定效应的去均值操作），再针对不同的处理变量完成剩余回归计算，从根源上避免了重复计算固定效应的冗余开销。

内容的提问来源于stack exchange，提问作者RoyalTS