教材中 FE 和 RE 都讲、Hausman 检验也存在——但为什么实证研究中的大部分都直接用固定效应模型？

一、开篇：教科书给你两条路——实证研究者却几乎只走一条

翻开任何一本中级计量经济学教材的面板数据章节，你一定看到过这个标准的叙事弧线：

先讲混合 OLS（Pooled OLS）——把所有观测堆在一起跑 OLS，假装没有个体异质性这回事。
再讲随机效应（Random Effects, RE）——承认有个体异质性 $u_i$ ，但假设它和 X 不相关。用 GLS 来估计，比 OLS 更有效。
再讲固定效应（Fixed Effects, FE）——也承认有个体异质性 $u_i$ ，但允许它和 X 任意相关。用组内变换（或 LSDV）来估计。
最后讲Hausman 检验——比较 FE 和 RE 的系数差异。如果差异显著 → 拒绝 RE（ $u_i$ 和 X 不相关的假设被推翻）→ 使用 FE。如果差异不显著 → 不能拒绝 RE → 使用 RE（因为 RE 更有效）。

逻辑严密，层层递进。然后你打开一篇发表在 AER、JPE 或 QJE 上的面板实证论文——作者们直接跑了：

xtreg y x controls i.year, fe robust

没有 RE，没有 Hausman 检验，没有任何关于"为什么选择 FE 而不是 RE"的讨论。他们甚至懒得在脚注里提一句 RE。

为什么教科书花了整整一章来讲 RE 和 Hausman 检验，但实证前沿几乎只使用 FE——而且不做检验？这不是前沿研究者"偷懒"或"不懂理论"——而是因为他们从教科书毕业之后，在真实数据中反复学到了一件事：RE 的核心假设（ $\text{Cov}(X_{it}, u_i) = 0$ ）在观测性微观数据中几乎永远不成立。

核心信息：实证研究普遍直接使用固定效应模型而不做 Hausman 检验的合理性，根植于一个根本性的不对称——FE 在比 RE 更弱的假设下是一致估计量。FE 只需要 $\mathbb{E}[\varepsilon_{it} \mid X_{i1}, \dots, X_{iT}, u_i] = 0$ （严格外生性条件），而 RE 额外要求 $\text{Cov}(X_{it}, u_i) = 0$ ——即不可观测的个体异质性和你选择的任何 X 之间都不得有相关。在观测性微观数据中（如劳动、教育、健康、企业金融），个体异质性几乎天然地和核心解释变量相关——能力更高的人受教育更多、管理更好的企业盈利更高且投资更多、健康意识更强的人运动更多且饮食更优——这正是实证研究者之所以需要使用面板数据的首要原因（控制不随时间变化的混淆因素）。在这个前提下，RE 的核心假设在理论上就站不住脚。而 Hausman 检验——虽然计量上优雅——在实践中有三大局限：在小 T 和大 N 下它可能缺乏功效或过于敏感、它是一个二元决策但不能替代理论判断、在很多情况下即使 Hausman 不能拒绝 RE，使用更保守的 FE 也被认为是更审慎和更可辩护的选择。FE 的效率损失（相对于 RE）在微观面板的典型结构（N 大、T 小）中是有限的——而它的稳健性收益是巨大的。简而言之，实证前沿不用 RE 不是因为 RE 是错的——而是因为在观测数据的真实战场上，FE 几乎从来不会让你输，而 RE 一旦假设不成立，你的整篇论文就建立在一个不一致的估计量之上。在不确定的战场上，选更坚固的盾——这是实证研究者从教科书的对称叙事走向不对称实践的根本逻辑。

二、FE 和 RE 的本质区别——不只是"一种方法"和"另一种方法"

2.1 两个模型写在一起

先回到最基础的设定。面板数据模型的标准形式：

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

其中 $u_i$ 是个体 i 的不随时间变化的异质性（能力、文化、地理位置、制度特征……）， $\varepsilon_{it}$ 是时变的误差。

这个方程就是一切分歧的起点。 FE 和 RE 不是在"不同的模型"上做选择——它们是在对同一个 $u_i$ 的不同假设上做选择。

2.2 随机效应（RE）：假设 $u_i$ 和 X 是"陌生人"

RE 的核心假设是：

$\text{Cov}(X_{it}, u_i) = 0 \quad \text{对所有 } t$

翻译成白话：在所有时期，你选择的每一个 X（教育、收入、投资……）都和那个你看不见但一直存在的个体异质性 $u_i$ （能力、动机、先天禀赋）之间没有任何线性相关。 $u_i$ 是一个纯粹的"随机扰动"——它让同一个人的不同观测之间产生了相关，但它和你关心的解释变量之间是"陌生人"。

在这个假设下，你可以用广义最小二乘（GLS）——对数据做一个"准去均值"变换（减去个体均值的一部分而非全部，比例取决于 $\sigma_u^2$ 和 $\sigma_\varepsilon^2$ 的相对大小），然后跑 OLS。GLS 使用了组间变异和组内变异两种信息来估计 β——比 FE 仅使用组内变异更"省数据"，因此在 RE 假设成立时，RE 比 FE 更有效（标准误更小）。

RE 假设什么时候可能成立？

实验数据（随机分配的处理——处理状态和被试的个体特征不相关）。
$u_i$ 被解释为"随机抽样误差"的某些分层模型。
你确实相信所有的混淆因素都已作为控制变量被显式地放入了模型中（关于这一点的更多讨论见下文 5.3 节）。

2.3 固定效应（FE）：允许 $u_i$ 和 X 是"老朋友"——随你怎么相关

FE 对 $u_i$ 和 X 之间的关系不做任何假设。 $\text{Cov}(X_{it}, u_i)$ 可以是任意值——正、负、大、小——FE 照单全收。

FE 通过**组内变换（Within Transformation）**来消灭 $u_i$ ：

$\tilde{Y}_{it} = Y_{it} - \bar{Y}_i = \beta_1 (X_{it} - \bar{X}_i) + (\varepsilon_{it} - \bar{\varepsilon}_i)$

$u_i$ 是常数——所以 $\bar{u}_i = u_i$ ， $u_i - \bar{u}_i = 0$ 。 $u_i$ 被完全消去了。 无论它和 X 有多强的相关——它不存在了。你不需要知道它是什么，不需要测量它，不需要假设它和任何东西的关系。

FE 的代价是：组间变异（个体之间 X 的差异）被丢弃了。如果 X 的变异主要在个体之间（如教育年限在有工作之后几乎不变），FE 可能让你的 β 很难被精确地估计。但代价换来的是稳健性——你的估计量在比 RE 更弱的条件下是一致且无偏的。

2.4 一句话总结

	随机效应（RE）	固定效应（FE）
对 $u_i$ 的假设	$\text{Cov}(X_{it}, u_i) = 0$	无假设——任意相关
估计方法	GLS（准去均值）	组内变换（完全去均值）
使用的变异	组内 + 组间	仅组内
效率	更高（利用了更多信息）	较低（丢弃了组间信息）
一致性	仅在 $u_i$ 和 X 不相关时	在严格外生性下始终一致
适合的数据场景	实验数据、X 和 $u_i$ 确实无关	观测数据——几乎总是

三、为什么 RE 的假设在观测数据中几乎永远不成立？

3.1 个体异质性不是"随机的噪声"——它是选择的结果

在观测数据中，个体不是被随机分配到不同的 X 值上的。人们选择自己的教育水平、企业选择自己的投资规模、城市选择自己的治理模式。 这些选择是内生的——它们和个体的不可观测特征（ $u_i$ ）系统性地相关。

三个经典例子：

教育回报：你研究"教育年限对收入的影响"。 $u_i$ 包含"先天能力"。能力强的人——在学校更轻松、更可能选择继续读书（更多的教育年限）、即使教育年限相同也能赚更多。 $\text{Cov}(\text{Education}_{it}, u_i) > 0$ ——RE 假设被粉碎。
企业投资：你研究"负债率对企业投资的影响"。 $u_i$ 包含"管理质量"。管理好的企业——可能更善于控制负债率（选择较低的杠杆）、同时也有更高的投资水平（因为有更好的项目）。 $\text{Cov}(\text{Debt}_{it}, u_i) \neq 0$ ——RE 假设再次被粉碎。
健康行为：你研究"运动对 BMI 的影响"。 $u_i$ 包含"健康意识"。健康意识强的人——运动更多、同时在其他饮食和作息方面也更自律（更低的 BMI）。 $\text{Cov}(\text{Exercise}_{it}, u_i) \neq 0$ ——又是 RE 假设不成立。

这不是例外——这是正常情况。 在社会科学的观测数据中， $\text{Cov}(X_{it}, u_i) = 0$ 这个假设不是"偶尔被违背"——它是"几乎永远不成立"。而这恰恰是为什么你需要面板数据的首要原因：如果你能用横截面无偏地估计 β（即所有混淆因素都可以被测量并控制），你就不需要面板。面板数据的核心价值就是让你控制那些不可观测、不随时间变化的混淆因素（ $u_i$ ）。但如果 $u_i$ 是可观测的——你早就把它放进回归了。 $u_i$ 之所以是 $u_i$ ——而不是一个叫 $X_k$ 的控制变量——正是因为你测不到它。而一个你测不到的、影响了 Y 的因素——在所有观测研究中，几乎总是和 X 相关。

3.2 RE 的假设在数学上是"协方差为零"——在经济行为上是"人不会根据自身特征做选择"

RE 假设 $\text{Cov}(X_{it}, u_i) = 0$ 等价于假设：人们在做出会影响 X 的选择时，完全不考虑（或完全不受）他们自身的、不随时间变化的特征的影响。 如果 $u_i$ 是"先天能力"，这个假设等于说"人们选择读不读大学时，能力不在考虑范围之内"——这显然不成立。

这是 RE 的根本困境： $u_i$ 之所以需要被放进模型，是因为它同时影响了 Y 和 X。如果它不影响 X——那你完全可以把它留在误差项中而不产生遗漏变量偏误，你根本不需要面板数据结构。 RE 假设的恰好是"面板数据没有被需要的那个原因"——一个悖论。

四、Hausman 检验——理论上优美，实践中有三大局限

4.1 Hausman 检验的原理

Hausman（1978）检验的核心思想非常精妙：

FE 在无论 $\text{Cov}(X_{it}, u_i)$ 是否为零时都是一致的。
RE 在 $\text{Cov}(X_{it}, u_i) = 0$ 时是一致的且更有效，但在 $\text{Cov}(X_{it}, u_i) \neq 0$ 时是不一致的。

所以——如果 FE 和 RE 的估计结果在统计上显著不同→ 说明 RE 的一致性条件不成立 → 使用 FE。如果两者的差异不显著→ 不能拒绝 RE 的一致性条件 → 使用 RE（因为更有效）。

检验统计量：

$H = (\hat{\beta}_{FE} - \hat{\beta}_{RE})' [\text{Var}(\hat{\beta}_{FE}) - \text{Var}(\hat{\beta}_{RE})]^{-1} (\hat{\beta}_{FE} - \hat{\beta}_{RE}) \sim \chi^2(K)$

xtreg y x1 x2, fe
estimates store FE
xtreg y x1 x2, re
estimates store RE
hausman FE RE

p < 0.05 → 拒绝 RE（FE 和 RE 的差异超过抽样误差）→ 使用 FE。

4.2 局限一：Hausman 检验是一个二元决策——但它不能替代理论判断

统计检验告诉你"差异是否显著"——但它不告诉你"哪个选择在你的研究语境中更合理"。想象两个场景：

场景 A：你有一个好的工具变量或自然实验，且 $u_i$ 从理论上不太可能和 X 相关。Hausman p = 0.06——勉强不显著。是否使用 RE？如果理论强烈支持使用 RE，也许可以——但大多数研究者仍然会选 FE，因为他们知道 Hausman 检验在小 T 中缺乏功效。
场景 B：你用的是观测数据，X 显然是内生的（如教育和能力）。Hausman p = 0.12——"不显著"。但你真的相信能力和教育不相关吗？ 你不需要一个检验来告诉你——你从经济理论和社会常识中已经知道它们在相关。在这种情况下，即使 Hausman 告诉你"应该用 RE"，使用 RE 仍然是不诚实的——因为你已经知道 RE 的前提假设不成立。

Hausman 检验是一个有用的诊断工具——但它不应该是你唯一依赖的决策者。 它回答的是"数据中是否有足够的证据来拒绝 RE"——而不是"RE 在你的实证情境中是否有理论上的可信度"。当这两个问题的答案指向不同方向时——信任理论和常识，而非一个可能缺乏功效的检验。

4.3 局限二：在大 N 下，Hausman 检验几乎总是拒绝 RE

随着 N → ∞，FE 和 RE 的估计都趋于收敛——但收敛到不同的极限（如果 $\text{Cov}(X_{it}, u_i) \neq 0$ ，RE 收敛到一个有偏的值）。在大 N 的面板中，标准误变得非常小——即使是微小的、在经济意义上不重要的 FE-RE 差异也可能在统计上显著。

结果：在大 N 的微观面板中，Hausman 检验几乎总是拒绝 RE——不是因为 FE 和 RE 的估计值相差巨大，而是因为 N 太大了，任何细微的差异都被检测为"显著"。在这种情况下，Hausman 检验没有提供额外的信息——它只是重复了你的先验认知（"在观测数据中， $u_i$ 肯定和 X 相关"），但披上了一层统计显著性的外衣。

这引出了一个问题：如果你已经知道 Hausman 几乎一定会拒绝 RE——为什么还要报告它？ 这也是许多实证研究者不再把 Hausman 检验作为核心诊断工具的原因之一。

4.4 局限三：在小 T 下，Hausman 检验可能缺乏功效

和上一条相反的方向上：当 T 很小时（T = 3—5），FE 和 RE 的估计都有较大的抽样变异——标准误较大。即使 RE 确实不一致，Hausman 检验也可能检测不到 FE-RE 的差异——因为噪音太大。此时 Hausman p > 0.05 可能不是因为 RE 的假设成立——而是因为检验没有足够的信息来做出判断。

这就是最危险的组合：小 T + 大 N 的微观面板。大 N 可能推动 Hausman 拒绝，小 T 可能推动 Hausman 不拒绝——两者相互拉扯，最终的 p 值高度依赖于数据的特定结构。在这种情况下，依赖 Hausman 的二元输出——而不是一套理论分析——是不稳健的。

五、为什么实证研究可以直接用 FE 而无需检验？——五条正当理由

5.1 理由一：FE 永远是"安全的一票"——不对称的一致性

这是最根本的逻辑。画一张决策表：

	$\text{Cov}(X, u_i) = 0$ （RE 假设成立）	$\text{Cov}(X, u_i) \neq 0$ （RE 假设不成立）
你选了 FE	FE 一致，但不如 RE 有效（浪费了一些信息）	FE 一致——没有问题
你选了 RE	RE 一致且最有效——完美	RE 不一致——你的结论错了

FE 在任何情况下都是一致的（在严格外生性下）。RE 只在一种情况下是一致的——但这种情况在观测数据中几乎不存在。 在两个选项中，一个只在童话里保证你不死，另一个在童话和战场上都能保证你不死——你在战场上应该选哪个？

不对称的代价：

选了 FE 而 RE 本该成立 → 你损失了一些效率——标准误稍大，置信区间稍宽，但系数在期望意义上是准的。在 T 小的情况下，这个效率损失实际上是有限的。
选了 RE 而 FE 本该被用 → 你损失了一致性——你的系数在渐近意义上是错的。你的整篇论文建在一个不一致的估计量之上。

在一个"宁可保守不可错误"的学术文化中——FE 是占优策略。

5.2 理由二：微观面板中 T 很小——FE 的效率损失其实没多大

RE 比 FE 更有效——这是事实。但这个"效率优势"的大小取决于数据的具体结构。RE 相对于 FE 的效率收益依赖于 $\sigma_u^2 / \sigma_\varepsilon^2$ 和 T。结论是：在 T 很小时，RE 的效率优势是有限的。

直觉：当 T 很小时，每个个体的"组内信息"很少，组内变异本身就不太精确。但 RE 的主要优势在于它也使用了组间变异。但当 T 很小——尤其是 T 远比 N 小——时，组间变异中包含了大量 N 的信息，FE 丢弃的这部分信息在大 N 中可以通过横截面的大样本量来部分补偿。此外，在 T 很小（如 T = 3）时，组内变异本身也很小——这意味着即使是"仅使用组内变异"的 FE 估计，也不会比使用了全部信息的 RE 估计差太多，因为在极端短的面板中，时间维度的信息量本来就有限。

效率损失的代价在实证上是可接受的：标准误从 0.08 变成 0.10——你的结论可能从"在 0.1% 水平上显著"变成"在 1% 水平上显著"，但很少从"显著"变成"不显著"。相比之下，不一致性的代价是灾难性的。

5.3 理由三：FE 有一个更干净的因果解释

FE 仅使用组内变异——即"同一个体在不同时间上的变化"。这个识别来源有一个天然的因果直觉：在固定了个体所有不随时间变化的特征（观测到的和未观测到的）之后，X 的变动如何影响 Y 的变动？

相比之下，RE 混合使用了组内变异和组间变异（个体之间的横向对比）。而"为什么个体 A 的 X 高于个体 B"这部分变异是高度内生的——它被 $u_i$ 污染的可能性远高于时间维度的变异。在因果推断的框架中，"个体的变化"比"个体之间的差异"更接近一个干净的准实验。 FE 自动聚焦于更可信的那部分变异——这不只是一个计量选择，也是一个研究设计的立场。

这也就是为什么双重差分（DID）、事件研究（Event Study）和工具变量面板（Panel IV）都建立在 FE 的框架之上——而不是 RE 的框架之上。当代实证研究的因果推断转向，天然地偏向 FE 的逻辑。

5.4 理由四：FE + 聚类标准误是面板实证的标准配置——审稿人不需要你解释

如果你使用的是观测性微观面板数据，并在回归中放入了个体固定效应和年份固定效应——审稿人几乎从来不会问"你为什么没有考虑随机效应？"。这不是因为审稿人忘了或不知道 RE 的存在——而是因为这个领域的共识已经形成：FE 是面板实证的基准设定，RE 是需要特殊理由才能使用的例外。

你需要在论文中解释的不是"为什么用 FE"——而是"为什么用 RE"。如果你选择用 RE，你需要在正文中论证：为什么在你的研究情境中， $\text{Cov}(X_{it}, u_i) = 0$ 是可信的？这通常需要实验数据、自然实验、或一种特别的设计（如在 $u_i$ 被建模为组级随机效应的分层模型中）。

这也解释了为什么 Hausman 检验在实证论文中越来越少见：在大多数微观面板中，Hausman 检验的结果是完全可以预测的（拒绝 RE）。被预测的结果不是信息——所以报告它就变成了一个空洞的仪式。审稿人不问你 Hausman——他们只问你"你的识别策略是什么？你的 FE 设定控制了哪些混淆因素？"

5.5 理由五：在真实研究中，识别策略决定计量方法——而不是检验统计量

在一篇实证论文中，计量方法的选择不是从"跑 FE 还是跑 RE？"开始的——而是从"我想估计一个什么因果效应？需要什么识别假设？哪些混淆因素是我可以控制的，哪些是我不可以控制的？"开始的。面板数据的 FE 模型从研究设计阶段就已经被选定了——因为研究者需要用它来控制不随时间变化的个体异质性。

Hausman 检验的核心问题——"我应该用 RE 还是 FE？"——预设了研究者在建模策略上没有强烈的先验判断。但好的实证研究者恰恰相反——他们在看到数据之前就应该知道：在我的研究语境中， $u_i$ 和 X 独立吗？如果答案是否定的（几乎总是否定的）——FE 就是唯一的选择。Hausman 检验只是事后确认了一个你已经知道的事实。

六、什么情况下确实应该考虑 RE？——不是所有面板都必须是 FE

说了这么多 FE 的好话——RE 也并非无用的古董。以下三种情境中，RE 值得认真考虑。

6.1 情境一：你有关键的不随时间变化的变量——而它是你的研究对象

这是 FE 最大的痛点：FE 不能估计不随时间变化的变量的系数。如果你研究"性别对工资的影响"——性别在面板中不随时间变化，FE 的组内变换会把它消掉（性别 - 个体均值(性别) = 0）。如果你想估计性别、种族、出生年份、离出生地距离这类变量的系数——你只能用 RE 或混合 OLS（并接受它们的假设）。

变通方案：Hausman-Taylor 估计量或 Mundlak-Chamberlain 设备（见下文 6.3 节）——它们允许你估计时不变变量的系数，同时放松 RE 的部分假设。

6.2 情境二：实验或准实验数据——处理确实是随机分配的

如果你的数据来自随机对照试验（RCT）或某些精心设计的自然实验——处理状态确实是随机分配的，和任何个体特征（包括 $u_i$ ）都不相关——那么 RE 不仅可行，而且更有效。RE 使用了更多信息，产生更窄的置信区间，让你的实验结论更有力。

但即使在这种情况下，审稿人可能仍然期待你展示 FE 的结果作为基准——因为 FE 是更保守的选择，且在一个随机实验中，FE 和 RE 应该给出非常相似的系数（这是随机化成功的旁证）。

6.3 情境三：你对 $u_i$ 和 X 的关系有灵活建模——Mundlak-Chamberlain 设备

有一种"第三条道路"——它既不是纯粹的 FE（扔掉所有组间变异），也不是纯粹的 RE（假设 $u_i$ 和 X 完全不相关）。Mundlak（1978）和 Chamberlain（1984）提出了一种中间策略：在 RE 模型中显式地加入个体均值作为额外的控制变量。

$Y_{it} = \beta_0 + \beta_1 X_{it} + \gamma \bar{X}_i + u_i + \varepsilon_{it}$

其中 $\bar{X}_i$ 是 X 在每个个体内部的时间均值。通过加入 $\bar{X}_i$ ，你显式地建模了 $u_i$ 和 X 之间的相关（因为 $\bar{X}_i$ 吸收了 $u_i$ 中与 X 线性相关的部分）。

如果 $\gamma = 0$ （即 $\bar{X}_i$ 的系数不显著）→ 没有证据表明 $u_i$ 和 X 相关 → RE 没问题。如果 $\gamma \neq 0$ → $\bar{X}_i$ 已经控制了相关 → 修正后的 RE 等价于 FE（对于时变变量的系数）。

* Mundlak 方法
bysort id: egen x1_mean = mean(x1)
bysort id: egen x2_mean = mean(x2)
xtreg y x1 x2 x1_mean x2_mean, re
* 测试 x1_mean x2_mean 是否联合显著
test x1_mean x2_mean

Mundlak-Chamberlain 设备在实践中远不如直接使用 FE 普遍——但它提供了一种更精细的思考方式：不是 FE 和 RE 选一个，而是你可以通过在 RE 中显式建模 $u_i$ 和 X 的关系来获得一个更灵活的估计量。 当代许多高级面板模型（如 CRE — Correlated Random Effects）正是建立在这个思想之上。

七、常见误区

7.1 误区一："Hausman 检验不显著 → 应该用 RE"

Hausman 检验不显著意味着数据中没有足够的证据来区分 FE 和 RE——这可能是（a）RE 假设确实成立，或者（b）T 太小，FE 和 RE 的标准误都太大，检验缺乏功效。在观测数据中，（b）的可能性远高于（a）。在 Hausman 不显著时使用 RE——你可能不是在做正确的效率提升，而是在做一个你无力检测到的错误的设定选择。

7.2 误区二："RE 假设成立时比 FE 更有效 → 我应该先检验再决定"

这个逻辑在理论上是正确的。但问题在于：在观测数据中，"RE 假设成立"是一个如此脆弱的前提——它需要你的 X 和所有你不观测的、不随时间变化的个体特征都不相关。 你有多少把握做这个声明？如果你只有 50% 的把握——那么你有 50% 的概率整个研究建立在一个不一致的估计量之上。用效率的收益去赌一致性的风险——这不是一个好的赌局。

7.3 误区三："FE 可以控制所有遗漏变量——所以用了 FE 就不需要控制变量了"

FE 只控制不随时间变化的遗漏变量。任何时变的遗漏变量——如果它同时和 X 及 Y 相关——仍然在误差项中，仍然会让你的 β 有偏。FE 不是因果推断的终点——它只是控制了一个特定维度（时间不变的混淆因素）的工具。你仍然需要仔细选择时变的控制变量，并且在可能的情况下寻找外生变异来源（工具变量、DID、断点回归）。

7.4 误区四："我的面板 T 很长——所以 RE 的效率优势很大，我该用 RE"

当 T 大时，RE 的效率优势确实更明显。但 T 大也意味着你有更多的数据来估计每个个体的 $u_i$ ——而这些 $u_i$ 的估计值可以被用来"看到" $\text{Cov}(X, u_i)$ 有多大。 而且当 T 大时，时间维度足够长，非平稳性的问题可能开始浮现——FE 的组内变换对非平稳性的抵御比 RE 的准差分更强。长面板中，FE 不是更不合理——它可能更合理，只是你同时需要担心时间序列的问题了（面板单位根、面板协整——详见本书"面板数据-平稳性"一文）。

八、总结

实证研究直接用固定效应模型而不做 Hausman 检验——五条核心理由：

不对称的一致性。 FE 在 RE 假设成立和不成立时都是一致的——RE 只在一种情况下是一致的。而这个"一种情况"（ $u_i$ 和 X 不相关）在观测性微观数据中几乎永远不成立——因为个体异质性正是选择 X 的原因。
效率损失的代价有限——不一致的代价是灾难。 在 N 大 T 小的典型微观面板中，FE 相对于 RE 的效率损失不大——标准误从 0.08 变成 0.10。而不一致的代价是整个研究建在错误的估计量之上。用效率换安全——这是一个不需要 Hausman 就能做出的判断。
FE 有更干净的因果解释。 FE 仅使用"同一个体随时间的变化"来识别 β——在因果推断的语言中，这是比"不同个体之间的差异"更可信的变异来源。当代实证研究的因果推断转向（DID、事件研究、面板 IV）自然偏向 FE。
FE 是面板实证的行业基准。 审稿人不会问你"为什么用 FE"——他们问你"为什么用 RE"。FE 是默认设定，RE 是需要特殊论证的例外。在大多数实证论文中，Hausman 检验只是一个事先知道答案的仪式——这是它被越来越少报告的原因。
识别策略在前，计量方法在后。 好的实证研究不是从"跑哪个模型"开始的——而是从"我如何识别 X 对 Y 的因果效应？我需要控制什么混淆因素？"开始的。如果答案是"我需要控制不随时间变化的个体异质性"——那 FE 就是这个策略的自然实现。不需要检验——因为检验的前提是你对两个选项没有理论上的先验判断。而你对你的研究情境有。

一句话收尾：

"教科书给你两种面板模型——对称地、公平地、各有利弊地。但教科书不会告诉你的是：在观测数据的真实世界里，这两种模型的假设不是'各有各的适用场景'——而是一个假设（FE：允许任意相关）几乎永远成立，另一个假设（RE：要求零相关）几乎永远不成立。这个不对称性在所有社会科学的面板实证中重复上演——人们选择受教育年限、企业选择投资规模、城市选择政策——每一次选择都是 $u_i$ 和 X 之间相关性的活证据。在这个前提下，FE 不是'更审慎的选择'——它是唯一一致的选择。而 Hausman 检验，在 99% 的微观面板中，不过是在用一个 p 值来确认你已经知道的事情： $\text{Cov}(X_{it}, u_i) \neq 0$ 。所以实证研究者不报告 Hausman——不是因为他们不懂，而是因为它没有在告诉他们任何他们不知道的东西。FE 是盾，RE 是矛——在观测数据的战场上，你不知道敌人（ $u_i$ 和 X 的相关）在哪里、有多大——你先举盾，然后才考虑出矛。而大多数时候，举好盾就已经赢得了战斗。"

九、B站/公众号呈现建议

B站视频：建议用"盾 vs 矛"作为核心视觉隐喻。开场分屏：左边写着"FE = 盾"，一个稳健的大盾牌，不管 $u_i$ 和 X 的相关有多强，盾都能挡住（ $u_i$ 在组内变换中被消掉）。右边写着"RE = 矛"，一支更锋利的矛（更小的标准误、更有效的估计），但矛只有在一种情况下才能命中—— $u_i$ 和 X 不相关。旁白："教科书教你两种武器。在考试中，你用 Hausman 检验来决定用哪一种。但在观测数据的真实战场上——你几乎永远不知道 $u_i$ 和 X 是否相关。在这种不确定性下，你会先举盾还是先出矛？" 第一幕"为什么 RE 几乎永远不成立"：三个场景并行——教育（能力高→多读书+高薪）、企业（管理好→低杠杆+高投资）、健康（健康意识→多运动+低 BMI）。三个场景中，一个看不见的影子（ $u_i$ ）同时连接着 X 和教育Y——箭头指向同一个方向。标注：" $u_i$ 不是随机的噪音——它是人们做选择的原因。如果 $u_i$ 不影响 X，你就不需要面板数据。" 第二幕"FE 是怎么消灭 $u_i$ 的"：动画——一个个体 i 的三个时间点（ $Y_{i1}, Y_{i2}, Y_{i3}$ ），分别减去个体均值 $\bar{Y}_i$ ， $u_i$ 在被减掉的同时消失了（红色叉号）。标注："组内变换 = 用每个个体自己做自己的基准。 $u_i$ 是常数——被完全消去。" 第三幕"Hausman 检验的困境"：大 N（N = 10000）时，Hausman 的 p 值总是 < 0.05——屏幕上闪过一排 p 值，全是红色。小 T（T = 3）时，Hausman 的 p 值可能 > 0.05——但只是因为噪音太大，不是因为 RE 假设成立。标注："在大 N 下，Hausman 几乎总是拒绝 RE——你知道它会拒绝。在小 T 下，Hausman 可能不拒绝——但你不应该相信它。无论是哪种情况，你都不需要一个 p 值来替你做决定。"
公众号：FE vs RE 的核心假设对比表做成信息图核心。不对称性决策矩阵（选 FE 的代价 vs 选 RE 的代价）做成两列对比图。Hausman 的三大局限（大 N 下总是拒绝、小 T 下缺乏功效、不能替代理论判断）做成三张警告卡。Mundlak-Chamberlain 的第三条路（在 RE 中加入 $\bar{X}_i$ ）做成代码卡片。四种常见误区做成纠正卡。因果推断的"识别策略 → 计量方法"逻辑链做成流程图。
推荐标题：
- 主标题：《教材讲 RE 和 Hausman，但实证只用 FE——合理吗？》
- 备选标题：《固定效应 vs 随机效应——为什么真实研究中的选择比教科书更简单？》
- 新媒体标题：《教科书让你做 Hausman 检验——但 99% 的实证论文直接用了 FE。你该信谁？》
金句提炼：

"FE 和 RE 的选择不是'各有各的适用场景'——而是 FE 在任何场景下都是一致的，RE 只在一种场景下是一致的。而这个场景—— $u_i$ 和 X 完全不相关——在观测数据中需要的不是统计检验，是一个童话。"

"Hausman 检验回答的是'数据中有没有足够的证据来拒绝 RE'——而不是'RE 在你的研究情境中有没有理论上的可信度'。在观测数据中，第二个问题的答案一直都是'没有'——所以你不需要第一个问题的答案。"

"选 FE 的代价是效率——标准误稍大一点。选 RE 的代价是不一致性——你的系数在渐近意义上是错的。在学术论文中，你可以解释'我的结果不够精确因为标准误大'。你很难解释'我的结果在渐近意义上是错的因为我用了不一致的估计量'。"

" $u_i$ 之所以是 $u_i$ ——不被建模为一个控制变量——正是因为你测不到它。而你测不到它的原因，和你测不到它和 X 之间的相关的原因，是同一个原因。RE 假设你们不相关——但如果你真的相信这一点，你就不需要面板数据。你用面板数据的理由，恰好就是你不用 RE 的理由。"