大家好，我现在正在学习如何用 Python 做固定效应模型。这篇文章真的很有帮助，但我对“贬低”的部分仍然有点困惑

Pandas 或 Statsmodels 中的固定效应

在@Karl D.的回答中，他好心地提供了选项3的代码（附在下面），我不确定为什么在降级后需要重新添加ybar和xbar 。这似乎是重新引入了我们想要移除的固定效应？感谢Karl.D，他的回答真的很有帮助。我的声誉不足以直接在他的答案下发表评论，所以我决定发布这个问题。

import statsmodels.api as sm
import statsmodels.formula.api as smf
import patsy

def areg(formula,data=None,absorb=None,cluster=None): 

    y,X = patsy.dmatrices(formula,data,return_type='dataframe')

    ybar = y.mean()
    y = y -  y.groupby(data[absorb]).transform('mean') + ybar

    Xbar = X.mean()
    X = X - X.groupby(data[absorb]).transform('mean') + Xbar

    reg = sm.OLS(y,X)
    # Account for df loss from FE transform
    reg.df_resid -= (data[absorb].nunique() - 1)

    return reg.fit(cov_type='cluster',cov_kwds={'groups':data[cluster].values})

谢谢

如果我们简单地这样做会怎么样：

y = y -  y.groupby(data[absorb]).transform('mean')
X = X - X.groupby(data[absorb]).transform('mean')

reg = sm.OLS(y,X)

这是一个正确的固定效应模型吗？

解决方案

由于不是原作者，我只能推测原因。最有可能的是，这样做是为了重新引入截距。虽然当观察到的实体的值存在显著差异时，这可能没有什么意义，但当观察结果更具可比性时，这种方法很有用，因为它有效地将截距带回了模型中。需要注意的是，xbar和ybar是常数值，因此它们本身不会重新引入固定效应。