如何入门时间固定效应？面板数据检验方法及代码求助

一、现有代码问题解析 #

1. lm代码问题：lm(y ~ x1 + year, data) 中若year是数值型变量，仅会拟合线性时间趋势，而非时间固定效应（即每个年份的虚拟变量）。需将year转为因子型，才能让模型生成各年份的固定效应项。
2. plm代码问题：原代码未指定model = "within"，默认是混合回归（pooling），无法正确估计固定效应；另外effect = "twoways"是双向固定效应（个体+时间），若仅需时间固定效应，应改为effect = "time"。

二、分步实现指南 #

1. 数据预处理 #

先确认面板数据格式，处理缺失值并统一个体/时间标识：

# 转换为plm要求的面板数据对象
pdata <- pdata.frame(your_data, index = c("country", "year"))
# 剔除缺失值（非平衡面板可根据需求跳过）
pdata <- na.omit(pdata)
# 若用lm实现时间固定效应，需将year转为因子
pdata$year <- as.factor(pdata$year)

2. 用lm包估计时间固定效应 #

# 拟合时间固定效应模型（year为因子，生成各年份虚拟变量）
lm_time_model <- lm(y ~ x1 + year, data = pdata)
# 查看回归结果
summary(lm_time_model)

# 检验时间固定效应的联合显著性
anova(lm_time_model, update(lm_time_model, . ~ . - year))

• 输出中year对应的系数为各年份相对于基准年的时间固定效应
• 方差分析的p值小于0.05时，说明时间固定效应显著

3. 用plm包估计时间固定效应 #

仅时间固定效应

plm_time_model <- plm(y ~ x1, data = pdata, 
                      effect = "time", model = "within")
summary(plm_time_model)

# 检验时间固定效应显著性（对比混合回归）
pFtest(plm_time_model, update(plm_time_model, model = "pooling"))

双向固定效应（个体+时间）

修正后的代码：

plm_twoway_model <- plm(y ~ x1, data = pdata, 
                        index = c("country", "year"),
                        effect = "twoways", model = "within")
summary(plm_twoway_model)

# 检验时间固定效应显著性（对比仅个体固定效应）
pFtest(plm_twoway_model, update(plm_twoway_model, effect = "individual"))

4. 稳健标准误修正 #

面板数据常存在异方差和序列相关，可计算稳健标准误：

library(lmtest)
library(sandwich)

# lm模型的稳健标准误
coeftest(lm_time_model, vcov = vcovHC(lm_time_model, type = "HC1"))

# plm模型的稳健标准误
coeftest(plm_time_model, vcov = vcovHC(plm_time_model, type = "HC1"))

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