固定效应和随机效应的区别是什么（稳定性检验的思路）
固定效应和随机效应的区别是什么
固定效应模型和随机效应模型之间最大的不同就在于其基本假设，即个体不随时间改变的变量是否与所预测的或自变量相关。固定效应更适合研究样本之间的区别，而随机效应适合由样本来推断总体特征。
固定效应模型认为包含个体影响效果的变量是内生的，而与此相反随机效应模型是假设全部的包含个体随机影响的回归变量是外生的。
固定效应模型默认了那些不随时间变化而变化的自变量不会对因变量造成影响，因而不允许这类变量出现在模型之中；随机效应模型则认为表示某些个体特征的但不随时间变化而变化的自变量能够对因变量造成影响，允许这类变量引入到模型之中。
稳定性检验的思路
一、稳定性检验简介
稳健性检验考察的是评价方法和指标解释能力的强壮性，也就是当改变某些参数时，评价方法和指标是否仍然对评价结果保持一个比较一致、稳定的解释。通俗些，就是改变某个特定的参数，进行重复的实验，来观察实证结果是否随着参数设定的改变而发生变化，如果改变参数设定以后，结果发现符号和显著性发生了改变，说明不是稳健性的，需要寻找问题的所在。
一般根据自己文章的具体情况选择稳健性检验:
1. 从数据出发，根据不同的标准调整分类，检验结果是否依然显著;
2. 从变量出发，从其他的变量替换，如:公司size可以用total assets衡量，也可以用total sales衡量;
3. 从计量方法出发，可以用OLS, FIX EFFECT, GMM等来回归，看结果是否依然robust;
稳健性检验的思路分类：
（一）变量角度
变量测量问题是计量经济学中至关重要的问题，一个变量可以有多种度量方式，从变量角度进行稳健性检验最常见的方式就是尝试更换被解释变量y或是核心解释变量x，选择较为相似的变量，重新进行估计，看看系数大小和方向的变化。例如，企业全要素生产率的估计方法有OP法、LP法等等。再例如，很多使用夜间灯光数据的论文，为了说明夜间灯光数据的可信性，都会在稳健性检验中将夜间灯光亮度替换为人均GDP或是其他指标，重新进行估计。
（二）方法角度
计量的工具库十分丰富，能够为我们提供多项方法的选择余地。例如，混合OLS、固定效应or随机效应？静态面板or动态面板？LPM、Logit or Probit？
针对不同方法还有一些特殊的稳健性检验，比如对于双重差分法DID，我们首先要做的就是平行趋势检验，很多文章可能都会在稳健性检验中先将样本PSM一下，然后再进行DID估计，再比如DID中我们需要做的安慰剂检验，合成控制法SCM需要做的安慰剂检验。
（三）数据角度
数据角度一种常见的稳健性检验方法就是剔除可能影响结论的特殊样本，很多论文可能都会对样本进行winsor缩尾处理，这是一种最基础的做法。除此之外，还需要根据你的研究对象、变量选择进行具体问题具体分析，一个思路就是从个体视角剔除可能影响结论的特殊样本，另一个思路就是从时间视角去剔除可能影响结论的特殊样本。还有一种方法就是更换研究数据，不过这种方法实现较为困难，因为搜集处理数据是一件比较麻烦的事情。
（四）内生性处理
当然，除此之外，还有相当重要的一类稳健性检验——内生性处理。内生性主要来源于遗漏变量偏差、双向因果关系和测量误差偏差和动态面板偏差四类问题，对于内生性问题最好的解决方案就是找到一个合适的工具变量，不过，工具变量是一门技术，更是一门艺术，工具变量用的好能够为你的论文增光添彩，用的不好还可能会让你的论文大打折扣。
