控制时间趋势——加一个 t 还是加一串年份虚拟变量？t 怎么赋值？

一、开篇：你的 Y 每年都在自然增长——不控制时间，X 的系数可能是一场误会

你研究"城镇化率对居民消费的影响"。你用的是省级面板数据，2000—2020 年。你跑了一个回归：

$Y_{it} = \beta_0 + \beta_1 \cdot \text{Urban}_{it} + \text{controls} + \varepsilon_{it}$

β̂₁ 显著为正。你正准备下结论——"城镇化促进了消费"。然后你画了一张图——居民消费在 2000—2020 年间几乎在所有省份都在上升（收入在增长、经济在发展），而城镇化率也在上升。这两个"都在上升"的趋势可能完全无关——你的回归只是捕获了两个变量各自独立的时间趋势之间的伪相关。

你需要在模型中控制"时间"。但怎么控？

• 方案 A：加一个线性时间趋势变量 $t$（$t = 1, 2, \dots, T$）。
• 方案 B：加一串年份虚拟变量（$\lambda_t$，每个年份一个 0/1 变量）。

Stata 里的操作只差几个字符——但背后的假设和结论可能完全不同。

核心信息：线性时间趋势（方案 A）假设 Y 在时间上以恒定的速率变化——每过一年，Y 增加固定的 β_t 单位，无论经济周期、政策冲击、或外部事件如何。年份固定效应（方案 B）假设每年有一个独立的、不受任何参数形式约束的时间效应——2008 年可以因为金融危机而大幅偏离 2007 年和 2009 年的线性趋势。方案 A 只消耗 1 个自由度，方案 B 消耗 T−1 个自由度。如果你的 T 足够大且时间效应可能不是线性的——年份 FE 更安全、更灵活。如果你的 T 很小或你怀疑共线性使得年份 FE 吸走了 X 的大部分有用变异——线性趋势更经济、更不干扰核心系数的识别。t 的赋值——你给每年赋什么数字——会改变截距的含义和系数的解读：是让 t = 0 在样本的起始年、中间年、还是某个有制度意义的年份？不同的选择对应不同的'时间基准'。"

二、线性时间趋势 t ——一条直线穿过你的面板

2.1 模型设定

$Y_{it} = \beta_0 + \beta_1 X_{it} + \beta_t \cdot t + \varepsilon_{it}$

其中 $t = 1, 2, \dots, T$（或任何等距递增值）。

β_t 的含义：在控制了 X 之后，Y 平均每一年变化 β_t 个单位。无论这一年发生了什么——金融危机、政策冲击、奥运——时间对 Y 的影响都是恒定的 β_t。

2.2 线性趋势做了什么——它消除了"X 和 Y 都随时间线性增长"的伪相关

直觉：如果你在 Y 对 X 的散点图上画一条穿过所有年份的直线——时间被"部分化出去"了。在时间被控制之后，你和你的邻居（同一年份的其他省份）在比较——而不是 2020 年的你和 2000 年的你在比较。

数学上：线性时间趋势等价于在每个变量的时间序列上去掉一条线性趋势线，然后对去趋势后的残差做回归。如果 X 和 Y 各自都有一条向上的时间趋势，去趋势的操作就是把"因为时间流逝而自然增长"的部分剥离，留下的才是 X 和 Y 之间超越时间的关联。

2.3 t 怎么赋值？——不只是"1, 2, 3, ..."

虽然 t 的间距（1 年、1 季度、1 月）不影响 β_t 的估计值，但 t 的原点（t = 0 对应哪一年）会影响截距 β₀ 的含义。

三种常见的赋值方式：

强烈建议使用中心化后的 t。让 t = 0 对应样本的中点（或某个有制度/经济意义的年份，如政策实施年）。这样，截距 β₀ 就等于"在样本中间年份，X = 0 时的 Y 的预测值"——这是一个在样本范围内的、有意义的数值，而不是一个在公元 0 年的荒谬外推。

* 中心化到样本中点
sum year
gen t = year - r(mean)    // t = 0 对应样本平均年份
 
* 中心化到某个制度节点（如政策实施年 = 2010）
gen t = year - 2010

2.4 线性趋势假设了什么——也是最容易出问题的地方

线性趋势假设时间对 Y 的影响是一条斜率为常数的直线。但真实世界不是线性的。 2008 年的 Y 和 2007 年的 Y 之间的差异，可能和 2018 年和 2017 年之间的差异完全不同。金融危机、政策冲击、技术突变——这些都不是线性的。

如果你强行用线性趋势去拟合非线性时间效应，未被吸收的非线性时间波动会残留在误差项中。如果这些波动恰好和你的 X 相关（比如"金融危机年份，城镇化投资也减少了"），你的 β₁ 就仍然是被时间效应污染的。

三、年份固定效应——每一年都有自己的一行

3.1 模型设定

$Y_{it} = \beta_0 + \beta_1 X_{it} + \lambda_t + \varepsilon_{it}$

其中 $\lambda_t$ 是 T−1 个年份虚拟变量（第 1 年为基准组，或等价地理解为每一年有一个独立的截距）。

在 Stata 中：

reg y x i.year        // 年份 FE（OLS）
xtreg y x i.year, fe  // 等价于包含年份虚拟变量的 FE
reghdfe y x, absorb(year)  // 高维 FE，更快

3.2 年份 FE 做了什么——消除了每一年所有个体共享的任何时间效应

年份 FE 等价于：在每一年内，将所有变量减去该年的横截面均值（年份去均值）。然后对去均值后的数据做回归。

这意味着：任何在某一年同时影响所有个体的因素——全国性的经济扩张/衰退、全国性的政策变动、全国性的技术冲击——都被年份 FE 吸收了。你的 X 的系数现在仅由同一年内不同个体之间的横向变异来识别。

年份 FE 不假设时间效应是任何特定的函数形式——它可以是线性、非线性、跳跃、U 形、任何形状。每一年独立地"锚定"一个水平。这是年份 FE 胜过线性趋势的最重要优势。

3.3 代价——自由度 + 可能吸走 X 的变异

• 自由度损失：T 很大时（如日度数据 T = 3650），年份 FE 会消耗 T−1 = 3649 个自由度——这可能过于奢侈。通常使用月度或季度 FE 作为折中，或更粗的时间粒度。
• 变异吸收：如果你的 X 主要是随时间变化的（如"全国性的政策"只在某些年份变动），年份 FE 会吸收 X 的大部分甚至全部变异——你的 β₁ 将无法被识别或标准误极大。这就是"政策变量 + 年份 FE"的经典困境——年份 FE 吸走了政策效果中随时间变化的那部分变异，而这恰好是政策的识别来源。

四、线性趋势 vs 年份 FE——怎么选？

4.1 选择框架

你的 T 有多大？
├── T ≤ 5 → 线性趋势（年份 FE 消耗太多 df）
├── 5 < T ≤ 15 → 年份 FE（最常见的面板 T 范围，df 消耗可接受）
└── T > 15 → 年份 FE（但考虑使用更粗的时间粒度，如年度→两年一组）

你的时间效应可能是非线性的吗？
├── 是（有金融危机、政策突变等）→ 年份 FE
└── 否（平稳增长的数据）→ 线性趋势即可

你的 X 是"全国性随时间变化的政策变量"吗？
├── 是 → 年份 FE 会吸收政策变异！→ 用线性趋势 + 其他策略
└── 否（X 在个体间有横向变异）→ 年份 FE 更安全

4.2 两者可以共存——个体特定的线性趋势

一个常见的混合策略：年份 FE + 个体特定的线性趋势。

$Y_{it} = \beta_0 + \beta_1 X_{it} + \lambda_t + \gamma_i \cdot t + \varepsilon_{it}$

• $\lambda_t$ 吸收了所有个体共有的年度冲击（全国性的经济周期、政策）。
• $\gamma_i \cdot t$ 允许每个个体有自己的时间趋势。比如在研究"最低工资对就业的影响"时——不同州在政策实施前可能有着不同的就业增长趋势。个体特定趋势允许"处理组在政策前就有更高的就业增长率"这个事实被吸收——从而让 DID 的平行趋势假设更可能成立。

在 Stata 中：

* 个体特定线性趋势
xtreg y x i.year c.t##i.id  // 交互项太多，不推荐
reghdfe y x, absorb(id year id#c.t)  // 正确做法：reghdfe

个体特定趋势的代价是巨大的：你需要为每个个体估计一个趋势参数（N 个额外的参数）。只有在 N 不大、T 足够长、且理论上有理由认为个体间的趋势本身不同时，才使用这一策略。

五、常见误区

5.1 误区一：加了年份 FE 就万事大吉——忘了检查 X 的变异来源

年份 FE 去除了时间维度上所有个体共有的变异。如果你的 X 本身主要是随时间变化而不在个体之间变化（如全国性的宏观经济变量、统一推行的政策），年份 FE 会把它和共有的时间效应一起吸走。在加了年份 FE 之后，检查 X 的 within-R² 是否骤降到接近零——如果是，你的 X 不够"个体间横向变异"，年份 FE 让它无法被识别。

5.2 误区二：线性趋势 = "我控制了时间"——但你的时间效应不是线性的

如果你的 Y 在样本期间经历了某次大幅波动（如 2008 年金融危机、2020 年疫情），一条直线是不可能捕捉这种波动的。你"控制"了一个错误形状的时间效应——你等于在说你已经处理了时间问题，但实际上你没有。 面对大幅波动，年份 FE 是唯一诚实的选择。

5.3 误区三：以为 t 的赋值影响 β_t——不影响，但影响 β₀

不管你用 t = 1, 2, 3... 还是 t = 2000, 2001, 2002...，β_t 的估计值完全不变——因为线性变换不改变斜率。但 β₀ 的含义会变。使用中心化的 t（t = 0 在样本中点或有意义的年份），让截距变得可解读——这是被广泛推荐但经常被忽略的良好实践。

5.4 误区四：面板数据中，个体 FE 和年份 FE 一起用就"控制了所有时间和个体层面的混淆因素"

个体 FE 消除了所有不随时间变化的个体异质性。年份 FE 消除了所有个体共有的时间效应。但两者都不能消除的是——随时间变化且在个体间不同的混淆因素（时变异质性）。 比如一个企业在某一年聘请了一位优秀的 CEO——这个变化是时变的、是个体特定的，个体 FE 和年份 FE 都拿它没办法。你仍然需要控制变量和识别策略来应对这一层。

六、总结

控制时间趋势的五条核心知识：

1. 线性趋势 t = 你假设时间效应是一条斜率为常数的直线。 它只消耗 1 个自由度，但任何偏离直线的非线性时间冲击都会残留在误差中，可能继续污染你的系数。

2. 年份 FE = 你假设时间效应可以是任意形状——每一年有一个独立的截距。 它吸收了所有个体共有的年度冲击，但消耗 T−1 个自由度，且可能吸走"随时间变化但不在个体间变异"的 X 的有用变异。

3. t 的赋值——让 t = 0 对应样本中点或有制度意义的年份。 不要让 t = 0 对应公元 0 年或样本起始前一年。中心化让截距变得可解读。

4. 选择取决于 T 的大小、时间效应的可能非线性程度、以及 X 的变异来源。 T ≤ 5 → 线性趋势。T 较大 + 可能有非线性冲击 → 年份 FE。X 主要是"随时间变化的全国性变量"→ 线性趋势（年份 FE 会吸收 X 的变异）。

5. 两者可以共存——年份 FE + 个体特定趋势。 前者吸收共同冲击，后者允许个体间趋势不同——但需要 N 不大、T 足够长。

一句话收尾：

"线性时间趋势是一条直线——你假设每一年对 Y 的影响和前一年完全一样。年份固定效应是一组台阶——你允许每一年跳到任意高度，不需要解释为什么。一条直线是 1 个参数和 1 个假设，一组台阶是 T−1 个参数和 0 个假设。在你看不见时间效应的真正形状时——台阶比直线更诚实。但台阶有代价——它会挡住你看向那些随台阶一起起伏的 X。选择线还是台阶，不是哪个'更正确'——是哪个让你的 X 在控制了时间之后还能被看到。"