如何在R中为含Logistic回归的DID添加双向固定效应？

奇异矩阵错误的排查建议 #

• 检查多重共线性：交互项treat*post和双向固定效应是否存在完全共线性。比如某类区县全是处理组/控制组，或者政策时间点和时间固定效应完全重叠，就会导致矩阵奇异。可以用lm()跑线性模型看VIF值，或者用table(df$treat, df$post, useNA = "ifany")查看交叉分布，确认每个分组都有样本。
• 排查非平衡面板的取值问题：非平衡面板里，有些个体-时间组合缺失可能导致交互项信息被固定效应完全吸收。比如某区县在政策实施后没有数据，或者处理组仅在单个时间点有观测。可以用xtabs(~ treat + post + county, data = df)检查每个区县的treat和post组合是否有变化。
• 逐步简化模型测试：先只加区县固定效应，看加入交互项后能不能运行；如果可以，再逐步加上时间固定效应。也可以把固定效应转成虚拟变量（用model.matrix(~ county + year, data = df)），直接看变量间的线性相关性。
• 核对alpaca参数设置：确认family = binomial(link = "logit")设置正确，也可以尝试method = "re"先跑随机效应模型，排除数据本身的问题。

其他可行的实现方法 #

1. plm包的条件Logistic回归 #

plm支持固定效应Logistic回归（条件Logistic），手动构造交互项后，用model = "within"控制个体固定效应，再加上时间虚拟变量控制时间固定效应：

library(plm)
# 生成时间虚拟变量
df$year <- factor(df$year)
# 运行模型
did_model <- plm(dep_var ~ treat*post + year,
                 data = df,
                 index = c("county", "year"),
                 model = "within",
                 family = binomial(link = "logit"))
summary(did_model)

注意：条件Logistic会吸收不随时间变化的变量（比如单独的treat），所以交互项是识别处理效应的核心。

2. fixest包的feglm函数 #

fixest对双向固定效应非线性回归的支持更鲁棒，语法简洁且处理共线性问题更智能：

library(fixest)
did_model <- feglm(dep_var ~ treat*post | county + year,
                   data = df,
                   family = binomial(link = "logit"))
summary(did_model)

它会自动处理固定效应与其他变量的共线性，运行速度也更快，适合大样本数据。

3. glmmTMB混合效应模型 #

如果可以将部分固定效应视为随机效应，用glmmTMB拟合混合效应Logistic模型，避免固定效应导致的自由度损失：

library(glmmTMB)
did_model <- glmmTMB(dep_var ~ treat*post + (1|county) + (1|year),
                     data = df,
                     family = binomial(link = "logit"))
summary(did_model)

这种方法适合固定效应类别极多的场景，比如上千个区县的情况。

内容的提问来源于stack exchange，提问作者Zzzzzzy