다음 타입의 선형 관측 효과 모델을 생각해 여기서 관측되지 않은 그러나시 불변 특성이며, 에러이고, 및 개별 관측치 및 시간을 각각 색인화합니다. 고정 효과 (FE) 회귀 분석에서 일반적인 접근 방식은 개별 더미 (LSDV) / 탈 의미 또는 첫 번째 차이를 통해 를 제거하는 것 입니다.
내가 항상 궁금했던 점 : 는 언제 진정으로 "고정"됩니까?
이것은 사소한 질문으로 보일 수도 있지만 그 이유에 대한 두 가지 예를 들어 보겠습니다.
오늘 사람을 인터뷰하고 수입, 체중 등을 요청하여 얻도록하자 . 다음 10 일 동안 우리는 같은 사람에게 가서 매일 그녀를 다시 인터뷰하기 때문에 그녀에 대한 패널 데이터가 있습니다. 미래의 다른 시점에서 확실히 변할 때 10 일 동안이 관찰되지 않은 특성을 고정 된 것으로 취급해야합니까? 10 일 안에 그녀의 개인적인 능력은 변하지 않을 수 있지만 나이가 들면 변할 것입니다. 좀 더 극단적 인 방법으로 묻습니다. 하루에 10 시간 씩이 사람을 인터뷰하면 관찰되지 않은 특성이이 "표본"에 고정 될 가능성이 있지만 이것이 얼마나 유용합니까?
이제 우리는 매월 85 년 정도 인생의 시작부터 끝까지 한 사람을 인터뷰한다고 가정 해 봅시다. 이번에는 무엇이 고정되어 있습니까? 출생지, 성별 및 눈 색깔은 가장 가능성이 높지만 그 외에는 다른 것을 생각할 수 없습니다. 그러나 더 중요한 것은 삶의 한 시점에서 변화하는 특성이 있지만 변화가 무한히 작은 경우 어떻게해야할까요? 그러면 실제로이 특성이 준 고정 될 때 바뀌었기 때문에 더 이상 고정 된 효과가 아닙니다.
통계적인 점에서 고정 효과가 무엇인지는 분명하지만 직관적 인 점에서는 이해하기 어려운 부분입니다. 어쩌면 다른 누군가가 이전에 이러한 생각을하고 고정 효과가 실제로 고정 효과인지에 대한 논쟁을 생각해 냈습니다. 나는이 주제에 대한 다른 생각들을 대단히 감사하겠습니다.
"all models are wrong, but some are useful"
- 조지 박스 .