回归分析：如何合并不同年份同池塘数据集并纳入时间因子

你手头的数据集属于固定观测点的重复测量结构：200个固定池塘、连续5年的匹配观测、所有变量口径完全统一，完全可以通过纵向合并数据、加入时间固定效应的方式一次性完成分析，无需逐年单独开展回归运算。

数据合并操作流程 #

• 对每份按年份存储的独立数据集，新增year字段，填入对应数据集的采集年份（2015-2019）
• 用dplyr::bind_rows()把5份数据集纵向拼接为统一的长格式数据集，最终总样本量为200个池塘*5年=1000行
• 合并后先做基础校验：通过dplyr::count(池塘唯一编号, year)检查每个池塘是否恰好对应5条年度观测，确认无缺失、重复记录后，即可作为后续建模的主数据集

模型中纳入年份因子的实现路径 #

基础回归：捕捉全局年份共性影响 #

把year转为分类因子直接加入原有回归公式，即可一次性基于全样本估计所有解释变量的系数，同时控制每一年的全局共性扰动（比如某一年的极端降雨、全域禁渔政策等对所有池塘的共同影响）：

# 带年份固定效应的基础回归
model_year_fe <- lm(
  formula = `Number of Fishes` ~ `Number of fish species` + `Age of fish` + `Surface Area of Pond` + factor(year),
  data = 合并完成的长格式面板数据
)

这种方法的估计效率明显高于逐年单独回归：模型可以利用跨年份的样本变异计算解释变量的效应，标准误更小、统计检验力更强；模型输出的factor(year)各分项系数，直接对应控制其他变量后，对应年份相比基准年（默认取数据集内的最早年份）的鱼类数量平均差异，不需要手动拼接5次单独回归的输出结果。

进阶回归：控制池塘固有属性差异 #

因为同一池塘不同年份的观测不具备独立性（比如部分池塘本身水体营养度高、鱼量基准值长期高于其他池塘），可以在基础模型中加入池塘编号的固定效应，控制所有不随时间变化的池塘固有特征，降低模型的遗漏变量偏差：

# 双向固定效应模型：同时控制池塘个体固有差异、年份全局冲击
model_two_way_fe <- lm(
  formula = `Number of Fishes` ~ `Number of fish species` + `Age of fish` + `Surface Area of Pond` + factor(池塘唯一编号) + factor(year),
  data = 合并完成的长格式面板数据
)

常见注意事项 #

• 不要直接把year当连续数值变量放入模型，除非提前验证过2015-2019年的鱼类数量存在严格线性的时间趋势，把年份转成分类因子的建模方式更灵活，不受线性趋势假设的限制
• 如果你原本想通过逐年回归观察不同年份下解释变量的系数变化，完全不需要拆分跑模型——只需要在合并后的回归公式里加入对应变量和年份因子的交互项，比如Surface Area of Pond * factor(year)，就可以一次性估计出每一年的解释变量效应，还能通过交互项的显著性正式检验不同年份的系数差异是否统计显著
• 建模完成后可以按池塘编号聚类调整稳健标准误，修正同一池塘内年度观测的序列相关问题，进一步提升估计结果的可靠性

内容的提问来源于stack exchange，提问作者Max Lim