多维固定效应模型是面板数据和微观计量研究中非常常见的一类模型。当样本同时受到个体、时间、地区、行业、企业等多个维度的不可观测因素影响时，仅加入单一固定效应往往无法充分控制遗漏变量偏误。Stata提供了多种实现多维固定效应模型的方法，其中 reghdfe 是目前实证研究中使用非常广泛的工具之一。
一、多维固定效应模型是什么
传统面板固定效应模型通常控制一个主要的个体固定效应和一个时间固定效应，例如：
y_it = βx_it + α_i + λ_t + ε_it
其中，α_i 表示个体固定效应，λ_t 表示时间固定效应。
如果研究数据还存在行业、地区、企业与年份等多个维度的共同影响，可以进一步扩展为：
y_ijkt = βx_ijkt + α_i + γ_j + δ_k + λ_t + ε_ijkt
例如，企业层面的研究可能同时控制：
-
企业固定效应；
-
年份固定效应；
-
行业×年份固定效应；
-
地区×年份固定效应。
这类模型通常被称为多维固定效应模型（High-Dimensional Fixed Effects，HDFE）。
需要注意的是，多维固定效应并不意味着简单地在回归命令后面不断增加大量虚拟变量。对于拥有几十万甚至上百万条观测的数据，直接生成虚拟变量会明显增加内存和计算成本。因此，实际研究中通常采用能够高效吸收固定效应的命令。
二、Stata实现多维固定效应的常用方法
Stata中实现多维固定效应主要有以下几种思路：
-
使用
reghdfe吸收多个固定效应； -
使用
areg控制一个高维固定效应； -
使用
xtreg, fe实现传统面板固定效应； -
手动生成虚拟变量后使用
regress； -
对固定效应进行残差化处理后再回归。
对于多维固定效应模型而言，通常优先考虑 reghdfe。
三、安装reghdfe
如果Stata尚未安装 reghdfe，可以在命令窗口执行：
statassc install reghdfe, replace
reghdfe 通常还会依赖相关扩展包，例如 ftools 和 ivreghdfe 等。如果运行过程中提示缺少依赖，可以执行：
statassc install ftools, replace ssc install reghdfe, replace
安装完成后，可以查看帮助文档：
statahelp reghdfe
四、最基本的多维固定效应模型
假设有以下变量：
-
y：被解释变量； -
x1 x2 x3：核心解释变量； -
firmid：企业编号； -
year：年份。
最简单的企业固定效应+年份固定效应模型可以写成：
statareghdfe y x1 x2 x3, absorb(firmid year)
其中：
stataabsorb(firmid year)
表示吸收企业固定效应和年份固定效应。
这种写法与传统的：
statareg y x1 x2 x3 i.firmid i.year
在控制固定效应的目的上类似，但 reghdfe 不需要显式生成大量虚拟变量，因此在高维固定效应场景下更加高效。
五、加入多个维度的固定效应
如果模型需要同时控制企业、行业和年份固定效应，可以直接写：
statareghdfe y x1 x2 x3, absorb(firmid industry year)
这相当于控制：
企业固定效应 + 行业固定效应 + 年份固定效应
如果还有地区固定效应：
statareghdfe y x1 x2 x3, absorb(firmid industry province year)
此时模型同时控制四类固定效应。
需要注意，企业固定效应和行业固定效应之间可能存在完全嵌套关系。例如，如果一家企业始终属于同一个行业，那么行业变量中的部分信息已经包含在企业固定效应之中。此时行业固定效应可能被模型自动识别为嵌套或冗余结构。
六、控制行业×年份固定效应
实证研究中经常需要控制行业随时间变化的共同冲击。
例如，某一年某个行业受到政策调整、原材料价格变化或者国际市场波动影响，仅控制年份固定效应还不够，因为同一年不同产业受到的冲击可能并不相同。
可以使用：
statareghdfe y x1 x2 x3, absorb(firmid industry#year)
这里：
stataindustry#year
表示行业与年份的交互固定效应。
如果希望控制企业固定效应以及行业×年份固定效应，这是非常典型的模型设定：
statareghdfe y x1 x2 x3, absorb(firmid industry#year)
这种方法相比手动生成行业年份虚拟变量更加方便。
七、控制地区×年份固定效应
如果研究对象分布在不同地区，而且各地区在不同年份存在不同的宏观冲击，可以加入地区×年份固定效应：
statareghdfe y x1 x2 x3, absorb(firmid province#year)
例如：
企业固定效应 + 省份×年份固定效应
能够控制企业所在地区在特定年份共同面临的政策、经济周期和市场环境变化。
如果还需要行业×年份固定效应，可以进一步写成：
statareghdfe y x1 x2 x3, absorb(firmid province#year industry#year)
此时模型的固定效应维度已经比较高，但 reghdfe 正是针对这种场景设计的。
八、使用##与#的区别
在设置多维固定效应时，# 和 ## 的含义并不相同。
例如：
stataindustry#year
表示行业×年份交互固定效应。
而：
stataindustry##year
相当于同时包含：
industry year industry×year
因此：
statareghdfe y x1, absorb(industry#year)
与：
statareghdfe y x1, absorb(industry##year)
并不是完全相同的设定。
如果模型已经单独控制了行业固定效应和年份固定效应，那么通常可以直接使用：
stataindustry#year
来吸收交互固定效应，避免重复指定。
九、固定效应与聚类标准误需要区分
固定效应和聚类标准误解决的是不同问题。
例如：
statareghdfe y x1 x2, absorb(firmid year) vce(cluster firmid)
这里：
stataabsorb(firmid year)
控制企业和年份固定效应；
statavce(cluster firmid)
则表示标准误按照企业层面进行聚类。
二者不能混为一谈。
在企业面板数据中，如果同一家企业不同年份的误差项可能存在相关性，按照企业聚类通常是比较常见的做法。
十、双向聚类标准误
某些研究中误差可能同时受到企业和年份层面的相关性影响，可以考虑多维聚类：
statareghdfe y x1 x2, absorb(firmid year) vce(cluster firmid year)
这表示按照企业和年份进行双向聚类。
也可以按照企业和行业进行聚类：
statareghdfe y x1 x2, absorb(firmid year) vce(cluster firmid industry)
具体采用哪一种聚类方式，需要结合数据结构和研究设计判断，而不能仅因为模型加入了某种固定效应，就机械地对相同变量进行聚类。
十一、固定效应和聚类变量为什么可以不同
例如：
statareghdfe y x1 x2, absorb(firmid province year) vce(cluster province)
模型控制了企业、省份和年份固定效应，但标准误按照省份聚类。
这在经济学实证研究中是完全可以成立的。
固定效应主要用于控制不可观测的系统性差异，而聚类标准误主要用于处理误差项在聚类单位内部的相关性。因此，二者应根据不同的统计问题分别确定。
十二、连续变量与分类变量的交互固定效应
reghdfe 中的 absorb() 不仅可以处理简单的分类变量，还可以处理因子变量形式的交互结构。
例如：
statareghdfe y x1 x2, absorb(firmid industry#year)
如果需要更复杂的交互固定效应，可以根据实际变量类型进行组合。
常见形式包括：
stataabsorb(firmid year)
企业+年份固定效应。
stataabsorb(firmid industry#year)
企业+行业×年份固定效应。
stataabsorb(province#year industry#year)
省份×年份+行业×年份固定效应。
stataabsorb(firmid province#year)
企业+省份×年份固定效应。
十三、加入控制变量的完整示例
假设研究企业数字化程度对企业生产率的影响：
statareghdfe productivity digitalization size age leverage roa, /// absorb(firmid year) /// vce(cluster firmid)
其中：
-
productivity是企业生产率； -
digitalization是核心解释变量； -
size是企业规模； -
age是企业年龄； -
leverage是资产负债率； -
roa是资产收益率； -
firmid是企业固定效应； -
year是年份固定效应； -
vce(cluster firmid)表示企业层面聚类标准误。
如果进一步需要控制行业×年份固定效应：
statareghdfe productivity digitalization size age leverage roa, /// absorb(firmid industry#year) /// vce(cluster firmid)
这通常比简单的企业+年份固定效应具有更强的控制能力。
十四、固定效应模型中的核心变量为什么可能被删除
使用多维固定效应时，一个常见问题是某些变量被Stata提示为：
omitted
或者出现：
collinear
这通常意味着变量与固定效应之间存在完全共线关系。
例如：
statareghdfe y x, absorb(firmid)
如果 x 在同一家企业内部完全不随时间变化，那么企业固定效应已经吸收了 x 的全部变化。
此时 x 无法利用企业内部的变化进行识别，因此可能无法估计。
例如企业注册地在整个样本期间始终不变：
firmid = 1001 province = Beijing
如果模型控制企业固定效应，那么单独加入企业所在省份这一时间不变变量通常无法估计。
这不是Stata出错，而是模型识别条件决定的。
十五、如何判断变量是否被固定效应吸收
遇到核心解释变量被删除时，应首先检查变量的组内变化。
例如：
stataxtset firmid year xtsum x
通过 xtsum 可以查看变量的总体变化、组间变化和组内变化。
如果核心变量的组内标准差接近于零，说明它在企业内部几乎没有变化，那么加入企业固定效应后就很难识别其影响。
也可以检查：
statabysort firmid: egen sd_x = sd(x) summarize sd_x
如果大量企业内部的 x 没有变化，需要重新考虑模型设定和变量识别问题。
十六、使用absorb()和i.变量有什么区别
以下两种写法经常被拿来比较：
statareg y x1 x2 i.firmid i.year
和：
statareghdfe y x1 x2, absorb(firmid year)
二者都能够控制固定效应，但实现方式不同。
regress 加 i.firmid 会显式构造大量虚拟变量。企业数量较大时，模型可能变得非常庞大。
reghdfe 则通过高效的固定效应吸收算法处理这些维度，不需要把所有虚拟变量直接作为普通回归变量展开。
因此，当数据规模较大、固定效应维度较多时，推荐使用：
statareghdfe
十七、areg能否实现多维固定效应
areg 也可以吸收固定效应，例如：
stataareg y x1 x2 x3, absorb(firmid)
但它主要适合处理一个高维固定效应。
如果模型需要：
企业固定效应 + 年份固定效应 + 行业×年份固定效应 + 地区×年份固定效应
使用 areg 会比较繁琐，而 reghdfe 可以直接写成：
statareghdfe y x1 x2 x3, /// absorb(firmid year industry#year province#year)
因此，两者的适用场景并不完全相同。
十八、xtreg与reghdfe如何选择
传统面板数据可以使用：
stataxtset firmid year xtreg y x1 x2 x3 i.year, fe
这种方式适用于典型的个体固定效应模型。
如果只需要：
企业固定效应 + 年份固定效应
xtreg, fe 完全可以满足需求。
但当固定效应结构进一步扩展到：
企业 行业×年份 地区×年份 产品 地区×行业
等多个维度时，reghdfe 通常更加方便。
因此可以简单理解为：
普通面板固定效应 → xtreg, fe 一个高维固定效应 → areg 多个高维固定效应 → reghdfe
十九、如何查看固定效应信息
运行：
statareghdfe y x1 x2, absorb(firmid year)
后，Stata输出结果中通常会展示吸收的固定效应数量以及相关自由度信息。
如果需要保存估计结果，可以使用：
stataeststo model1
然后进一步估计其他模型：
statareghdfe y x1 x2, absorb(firmid year) vce(cluster firmid) eststo model2
最后可以利用常见的回归结果整理工具输出结果表。
二十、多维固定效应模型的结果如何解释
假设模型结果显示：
digitalization 0.125*** (0.032)
在其他控制变量以及所指定固定效应保持控制的情况下，digitalization 每增加一个单位，因变量的条件均值平均增加约 0.125 个单位。
如果因变量或核心解释变量采用了对数形式，则解释方式需要结合对数模型进一步转换。
例如：
statareghdfe ln_y ln_x controls, absorb(firmid year) vce(cluster firmid)
此时 ln_x 的系数通常可以解释为弹性，即 x 增长1%，y 平均变化约 β%。
需要特别注意，固定效应控制的是不可观测异质性，并不会自动让回归结果具备因果解释。因果关系仍然需要结合研究设计、变量内生性和识别策略判断。
二十一、常见报错及排查方法
1. command reghdfe is unrecognized
说明尚未安装命令，可以执行：
statassc install reghdfe, replace
如果仍有问题，可以检查Stata版本以及相关依赖包。
2. no observations
通常需要检查：
statamisstable summarize
确认因变量、核心解释变量、控制变量和固定效应变量是否存在大量缺失值。
也可以查看：
statacount if !missing(y, x1, x2, firmid, year)
确认最终可用于回归的观测数量。
3. omitted because of collinearity
重点检查核心变量是否被固定效应完全吸收，以及不同固定效应之间是否存在嵌套关系。
4. singleton observations
多维固定效应可能产生singleton observations，即某些观测所在的固定效应组只有一条记录。此类观测可能无法为固定效应估计提供有效的组内变化，reghdfe 对相关观测有专门处理机制。
遇到这种情况，应关注数据结构，而不是简单地认为Stata运行失败。
二十二、多维固定效应模型的实用写法
实际论文中比较常见的几种模型可以整理为：
企业+年份固定效应：
statareghdfe y x controls, absorb(firmid year) vce(cluster firmid)
企业+行业×年份固定效应：
statareghdfe y x controls, absorb(firmid industry#year) vce(cluster firmid)
企业+地区×年份固定效应：
statareghdfe y x controls, absorb(firmid province#year) vce(cluster firmid)
企业+行业×年份+地区×年份固定效应：
statareghdfe y x controls, /// absorb(firmid industry#year province#year) /// vce(cluster firmid)
企业+年份固定效应并进行双向聚类：
statareghdfe y x controls, /// absorb(firmid year) /// vce(cluster firmid year)
实际使用时，不应为了追求“固定效应越多越好”而无限增加维度。固定效应越复杂，对变量有效变异的要求通常越高，也可能导致核心解释变量缺乏足够的识别空间。
二十三、使用多维固定效应时的几个注意事项
首先，要明确每一个固定效应究竟控制什么。企业固定效应主要处理企业不随时间变化的不可观测特征，年份固定效应主要处理所有企业共同面对的年度冲击，而行业×年份固定效应则可以进一步控制行业层面随时间变化的共同冲击。
其次，需要关注核心解释变量的有效变化。如果核心变量主要来自企业所在地区，而且模型控制了企业固定效应以及地区×年份固定效应，那么变量剩余的可识别变化可能非常有限。
再次，固定效应设定与标准误聚类设定应该分别考虑。不能简单地认为“控制企业固定效应，就一定只能聚类企业”。
最后，在正式论文中应该报告固定效应设定和标准误处理方式。例如可以在回归表中明确标注：
Firm FE Yes Year FE Yes Industry×Year FE Yes Cluster Firm
这样读者能够清楚了解模型的识别框架。
多维固定效应的核心价值并不在于命令本身，而在于合理控制数据中的多层次不可观测异质性。对于企业面板、地区面板、行业面板以及微观调查数据，reghdfe 提供了一种简洁而高效的实现方式。实际建模时，应根据研究问题选择固定效应维度，并同时检查变量的组内变化、共线性、样本损失和标准误聚类方式，才能得到具有可靠统计意义的回归结果。