אפקטים קבועים הם להסרת הטרוגניות לא נצפתה בין קבוצות שונות בנתונים שלך.
אני לא מסכים עם המשמעות בתגובה המקובלת שההחלטה להשתמש במודל FE תלויה בשאלה אם ברצונך להשתמש "פחות וריאציה או לא". אם המשתנה התלוי שלך מושפע ממשתנים שאינם ניתנים לצפייה המשתנים באופן שיטתי בין קבוצות בחלונית שלך, המקדם על כל משתנה שמתואם עם וריאציה זו יהיה מוטה. אלא אם כן משתני ה- X שלך הוקצו באופן אקראי (והם לעולם לא יהיו עם נתוני תצפית), בדרך כלל קל למדי לטעון את הטיעון להטיית משתנים שהושמטו. אתה אולי תוכל לשלוט בחלק מהמשתנים שהושמטו עם רשימה טובה של משתני בקרה, אך אם זיהוי חזק הוא המטרה מספר 1 שלך, אפילו רשימה נרחבת של בקרות יכולה להשאיר מקום לקוראים קריטיים. ספק בתוצאות שלך. במקרים אלה, בדרך כלל מומלץ להשתמש במודל אפקטים קבועים.
שגיאות תקן מסומנות של C מיועדות לחשבונאות במצבים בהם תצפיות בתוך כל קבוצה אינן i.i.d. (מופץ באופן עצמאי וזהה) .
דוגמה קלאסית היא אם יש לך תצפיות רבות לפאנל חברות לאורך זמן. אתה יכול להתחשב בהשפעות קבועות ברמת המשרד, אך ייתכן שיש וריאציה לא מוסברת במשתנה התלוי שלך שמתואמת לאורך זמן. באופן כללי, כשעובדים עם נתוני סדרות זמן, בדרך כלל בטוח להניח מתאם טורי זמני במונחי השגיאה בקבוצות שלך. מצבים אלה הם מקרי השימוש הברורים ביותר עבור חברות אסכולה מקובצות.
S כמה דוגמאות להמחשה:
אם יש לך נתונים ניסיוניים שבהם אתה מקצה טיפולים באופן אקראי, אך מבצעים תצפיות חוזרות ונשנות עבור כל אדם / קבוצה לאורך זמן, תהיה מוצדקת בהשמטת אפקטים קבועים, אך תרצה לקבץ את ה- SE שלך.
לחלופין, אם יש לך תצפיות רבות בכל קבוצה לנתונים שאינם ניסיוניים, אך כל תצפית בתוך הקבוצה יכולה להיחשב כ- i.i.d.צייר מהקבוצה הגדולה יותר שלהם (למשל, יש לך תצפיות מבתי ספר רבים, אך כל קבוצה היא קבוצת משנה משורטטת באופן אקראי של תלמידים מבית הספר שלהם), תרצה לכלול אפקטים קבועים אך לא תזדקק לאשכולות אשכולות מקובצים.