ผลกระทบคงที่สำหรับการลบความแตกต่างที่ไม่ได้สังเกตระหว่างกลุ่มที่แตกต่างกันในข้อมูลของคุณ
ฉันไม่เห็นด้วยกับความหมายในการตอบรับที่ยอมรับว่าการตัดสินใจใช้แบบจำลอง FE ขึ้นอยู่กับว่าคุณต้องการใช้ "รูปแบบที่เปลี่ยนแปลงน้อยลงหรือไม่" หากตัวแปรตามของคุณได้รับผลกระทบจากตัวแปรที่ไม่สามารถสังเกตได้ที่แตกต่างกันอย่างเป็นระบบในกลุ่มในพาเนลของคุณค่าสัมประสิทธิ์ของตัวแปรใด ๆ ที่มีความสัมพันธ์กับการเปลี่ยนแปลงนี้จะมีอคติ ยกเว้นว่าตัวแปร X ของคุณได้รับการสุ่ม (และพวกเขาจะไม่ได้อยู่กับข้อมูลการสังเกต) มันมักจะค่อนข้างง่ายที่จะทำให้อาร์กิวเมนต์สำหรับตัวแปรที่ถูกละเว้น คุณอาจสามารถควบคุมตัวแปรที่ตัดออกบางส่วนด้วยรายการตัวแปรควบคุมที่ดี แต่ถ้าการระบุตัวตนที่แข็งแกร่งคือเป้าหมายหมายเลข 1 ของคุณแม้กระทั่งรายการตัวควบคุมที่กว้างขวางก็สามารถออกจากพื้นที่สำหรับผู้อ่านที่สำคัญเพื่อสงสัยผลลัพธ์ของคุณ ในกรณีเหล่านี้มักเป็นความคิดที่ดีที่จะใช้แบบจำลองเอฟเฟกต์คงที่
ข้อผิดพลาดมาตรฐานแบบคลัสเตอร์สำหรับการบัญชีสำหรับสถานการณ์ที่การสังเกตภายในแต่ละกลุ่มไม่ได้เป็น iid (เป็นอิสระและกระจายตัวเหมือนกัน)
ตัวอย่างคลาสสิกคือถ้าคุณมีข้อสังเกตมากมายสำหรับคณะ บริษัท ข้ามเวลา คุณสามารถอธิบายถึงเอฟเฟกต์คงที่ในระดับ บริษัท แต่อาจมีตัวแปรที่ไม่สามารถอธิบายได้ในตัวแปรตามที่สัมพันธ์กันตลอดเวลา โดยทั่วไปเมื่อทำงานกับข้อมูลอนุกรมเวลามักจะปลอดภัยที่จะถือว่ามีความสัมพันธ์แบบอนุกรมชั่วคราวในข้อผิดพลาดภายในกลุ่มของคุณ สถานการณ์เหล่านี้เป็นกรณีการใช้งานที่ชัดเจนที่สุดสำหรับ SEs ที่ทำคลัสเตอร์
ตัวอย่างตัวอย่าง:
หากคุณมีข้อมูลการทดลองที่คุณกำหนดการรักษาแบบสุ่ม แต่ทำการสังเกตซ้ำ ๆ สำหรับแต่ละบุคคล / กลุ่มเมื่อเวลาผ่านไปคุณจะได้รับการพิสูจน์ในการละเว้นผลคงที่ แต่จะต้องการจัดกลุ่ม SE ของคุณ
หรือหากคุณมีการสังเกตหลายครั้งต่อกลุ่มสำหรับข้อมูลที่ไม่ได้ทดลอง แต่การสังเกตภายในกลุ่มแต่ละครั้งนั้นอาจถือได้ว่าเป็นการดึงไอดอลจากกลุ่มที่ใหญ่กว่าของพวกเขา (เช่นคุณมีการสังเกตจากโรงเรียนหลายแห่ง แต่แต่ละกลุ่ม ของนักเรียนจากโรงเรียนของพวกเขา) คุณต้องการรวมเอฟเฟกต์คงที่ แต่ไม่ต้องการ SEs แบบกลุ่ม