固定效應回歸中的線性機率模型代替 Logit

在我們的面板數據分析中，我們估計了固定效應線性機率模型 (LPM) 而不是固定效應 logit 回歸，因為我們的樣本量非常小（600 個人），並且固定效應 logit 大大減少了我們的觀察次數（低於 200有時），而我們的 LPM 保留了更多的觀察結果。同樣，我們的 logit 不會收斂，因為我們必須包含區域指標並且很少有人移動，因此我們在 logit 的單元格中遇到了少量數字的問題。是否有更強有力的方法來解釋/證明這一點，或者在具有固定效應的面板數據中更普遍地偏好線性機率模型而不是 logits？我們在Stata中完成了我們的分析。

FE logit 要求 IID 跨過特殊錯誤 $ i $ 和 $ t $ ，相當強的假設。此外，回歸量應該是嚴格外生的，但對於線性 FE 模型也是如此。在您的應用程序中，FE logit 不會收斂的事實將成為反對 FE logit 的一個很好的論據，並且會讓一些裁判滿意，但不是全部。

FE logit 的一個重要缺點（或者更像是“特徵”）是無法獲得部分效應（例如，平均部分效應）。這是因為偏效應依賴於 $ \alpha_i $ （固定效應），無法通過 FE logit 估計。

如果您願意並且我強烈推薦它，請考慮相關隨機效應 (CRE) 機率或 logit 模型，其中時間不變的不可觀察異質性與 $ X $ 由張伯倫-蒙德拉克裝置計算。CRE 機率（參見連結的第 5 部分）也稱為張伯倫隨機效應機率，並且非常受歡迎（在應用中肯定比 FE logit 更受歡迎）。您可以獲得 CRE 機率模型的平均偏效應。

引用自：https://economics.stackexchange.com/questions/32935