一、我对几种面板数据模型的理解
1混合效应模型pooled model
就是所有的省份，都是相同，即同一个方程，截距项和斜率项都相同
y it =c+bx t +?it c与b都是常数
2固定效应模型fixed-effect model 和随机效应模型random-effects model
就是所有省份，既有相同的部分，即斜率项都相同；也有不同的部分，即截距项不同。
2.1 固定效应模型fixed-effect model
y it =a+bx, +? it cov（c i,x 化）工0
固定效应方程隐含着跨组差异可以用常数项的不同刻画。每个a i都被视
为未知的待估参数。X it中任何不随时间推移而变化的变量都会模拟因个体而已的常数项
2.2 随机效应模型random-effects model
y it =a+u +bx t +? it cov（a+u i ,x it ）=0
A是一个常数项，是不可观察差异性的均值，u i为第i个观察的随机差异性，不随时间变化。
3变系数模型Variable Coefficient Models（变系数也分固定效应和随机效应）
每一个组，都采用一个方程进行估计。就是所有省份的线性回归方程的截距项和斜率项都不相同。
y it =u+b i X it +? it
1. 混合估计模型就是各个截面估计方程的截距和斜率项都一样，也就是说回归方程估计结果在截距项和斜率项上是一样的。如果是考察各个省份，历年的收入对消费影响。则各个省份的回归方程就完全相同，无论是截距，还是斜率。
2. 随机效应模型和固定效应模型在斜率项都是相同的，都是截距项不同。区别在于截距项和自变量是否相关，不相关选择随机效应模型，相关选择固定效应模型。则说明各个省份的回归方程，斜率相同，差别的是截距项，即平移项。
3. 变系数模型，就是无论是截距项，还是系数项，对于不同省份，每个省份都有一个回归方程，都一个最适合自己的回归方程，完全不管整体。每个省份的回归方程与其他省份的，无论在斜率上，还是截距上都不相同。
总之，从混合估计模型，到变截距模型，再到变系数模型，考察省份是从完全服从整体和没有个性（回归方程是从整体角度而定的和估计的，是一刀切的，是完全没有差异性和个性的，完全牺牲自我），到随心所欲和完全个性化（每个
省份都有一个最适合自己的回归方程）。即从完全无个性而言到完全有个性。
二、一个做医学哥们在固定效用模型和随机效用模型选择中的甄别方法
关于随机效应模型及固定效应模型的选择，一贯做法是两个模型都分析，看结果是否一致。如果一致且异质性较小或无，则选择固定效应模型。
如果结果不一致且异质性较大，则选择随机效应模型，并进行亚组分析寻
找异质性的来源，并且下结论应比较保守。
好几篇meta-analysis 在方法学部分都说：“All pooled outcome measures were determined using random-effects models ”、"All pooled outcome measures were determ ined using ran dom-effects models as described by DerSim onian and Laird" 。
为什么都直接用随机效应模型却不用固定效应模型？是因为考虑RCTs异质性大，所以直接用随机效应模型吗？
1. 就是根据12值来决定模型的使用，大部分认为〉50%存在异质性，使用随机效应模型，w 50%用固定，有了异质性，通过敏感性分析，或者亚亚组分析，去探求异质性的来源，但是这两者都是定性的，不一定能找到，即使你做
了，研究数目多的话，可以做个meta回归来找异质性的来源
2. 在任何情况下都使用随机效应模型，因为如果异质性很小，那么随即
和固定效应模型最终合并结果不会有很大差别，当异质性很大时，就只能使用随
机效应模型，所以可以说，在任何情况下都使用随机效应模型
3. 还有一种，看P值，一般推荐P的界值是0.1，但现在大部分使用0.05，就是说P>0.05，用固定，w 0.05用随机
其实个人偏向于第三种，因为P值可以看出来有没有异质性，12是定量描述一致性的大小
本来随机效应的假设就是我们的样本从一个很大的母体抽取，所以大家的期望（均值）相同；如果我们的样本几乎是全部母体了，我们就不能说个体的差异是随机的，所以固定效应比较好；这是从模型的设定角度说的。但是随机效应模型有一个致命的硬伤，就是假设cov （x，ui ）=0,而固定效应不要求这个假设，Hausman 佥验所做的工作就是检验一下这个假设对随机效应模型来说是不是成立，如果不成立，随即效应模型的估计是有偏的，即使采用B-P的LM检验表明存在随机效应，你也没有办法用了。
总结：检验固定效应是否显著，采用F检验（对比模型是pooled ）;检验随机效应是否显著，采用LM检验（对比模型也是pooled ）;检验固定和随机哪个更适用，采用Hausmar检验（对比fe和be）。
1用eviews可以检验面板数据适用于混合估计法还是固定效应法
2然后再进行豪斯曼检验，确定是用固定效应模型还是随机效应模型
三、是选择固定效应模型，还是随机效应模型的Hausman test
Hausman test是为了区分是选择固定效应模型，还是选择随机效应模型的计算。并且Hausmantest是针对随机效应模型进行的检验，原假设是接受随机效应模型。
A Hausman test说明一个有效的估计与它和一个非有效的估计之差的协方差是0。即卩Cov(b-b,b)=Cov(b,b)-var(b)=0
B原假设是随机效应模型有效，备选假设是固定效应模型有效C根据随机效应模型有效构造的统计量W服从自由度为k-1的有限卡方分布。即var(b-b)=var(b)-var(b)=W
四、处理异方差问题
实际上，在处理面板数据线性回归时，主要考虑固定效应模型与pooled OLS的异方差
问题。因为随机效应模型使用GLS估计，本身就已经控制了异方差。
GLS(广义最小二乘法)是一种常见的消除异方差的方法•它的主要思想是为解释变量加
上一个权重，从而使得加上权重后的回归方程方差是相同的•因此在GLS方法下我们可以得
到估计量的无偏和一致估计，并可以对其进行OLS下的t检验和F检验.
面板数据模型 面板数据模型是一种用于分析和预测数据的统计模型。它是基于面板数据（也 称为纵向数据或者长期数据）的特点而建立的，这种数据包括了多个观测单元在不同时间点上的多个观测变量。面板数据模型的应用非常广泛，包括经济学、社会学、医学等领域。 面板数据模型的基本假设是观测单元之间存在个体固定效应和时间固定效应。 个体固定效应是指观测单元的特定特征对其观测变量的影响，而时间固定效应是指观测时间对观测变量的影响。基于这些假设，面板数据模型可以用来估计个体固定效应和时间固定效应，并控制它们对观测变量的影响。 面板数据模型的常见形式包括固定效应模型和随机效应模型。固定效应模型假 设个体固定效应是确定的，而随机效应模型假设个体固定效应是随机的。这两种模型可以通过估计方法进行参数估计，如最小二乘法、广义最小二乘法等。 在面板数据模型中，还可以引入其他变量作为解释变量，用来解释观测变量的 变化。这些变量可以是个体特征、时间特征或者其他相关变量。通过引入这些变量，可以进一步分析观测变量的影响因素，并进行预测和政策评估。 面板数据模型的优势在于可以控制个体固定效应和时间固定效应，从而减少了 估计结果的偏误。此外，面板数据模型还可以提供更多的信息，如个体间的差异、时间趋势等。因此，它在实证研究中具有重要的应用价值。 举例来说，假设我们想研究教育对个体收入的影响。我们可以采集多个个体在 不同时间点上的教育水平和收入数据，构建一个面板数据集。然后，我们可以使用面板数据模型来估计教育对收入的影响，并控制其他可能的影响因素。通过这种方式，我们可以得出教育对收入的影响是否显著，并进行进一步的分析和解释。 总之，面板数据模型是一种强大的统计工具，可以用来分析和预测面板数据。 它可以控制个体固定效应和时间固定效应，提供更准确的估计结果，并匡助我们理
面板数据模型 面板数据模型（Panel Data Model）是一种经济学和统计学中常用的数据分析方法，它允许研究人员在时间和个体维度上分析数据。该模型结合了截面数据（Cross-sectional Data）和时间序列数据（Time Series Data），能够捕捉到个体间的异质性和时间的动态变化。 面板数据模型的基本假设是个体间存在固定效应（Fixed Effects）和时间效应（Time Effects），即个体特定的不变因素和时间特定的不变因素会对观测数据产生影响。通过控制这些效应，面板数据模型可以更准确地估计变量之间的关系。 面板数据模型的一般形式可以表示为： Yit = α + βXit + εit 其中，Yit表示第i个个体在第t个时间点的观测值，α是截距项，β是自变量Xit的系数，εit是误差项。面板数据模型可以通过固定效应模型（Fixed Effects Model）和随机效应模型（Random Effects Model）来估计参数。 固定效应模型假设个体间的差异是固定的，即个体特定的不变因素对观测数据产生影响。该模型通过引入个体固定效应来控制个体间的差异，估计其他变量对因变量的影响。 随机效应模型假设个体间的差异是随机的，即个体特定的不变因素对观测数据不产生影响。该模型通过引入个体随机效应来控制个体间的差异，估计其他变量对因变量的影响。 面板数据模型的估计方法包括最小二乘法（Ordinary Least Squares, OLS）、固定效应估计法（Fixed Effects Estimation）和随机效应估计法（Random Effects Estimation）。最小二乘法是一种常用的估计方法，但在面板数据模型中存在一致性问题。固定效应估计法通过个体间的差异来估计参数，可以解决一致性问题。随
面板数据模型 面板数据模型是指在经济学和社会科学领域中，用于分析面板数据的统计模型。面板数据是指在一定时间内对同一组体（如个人、家庭、企业等）进行多次观测的数据集合。面板数据模型的主要目的是研究个体特征和时间变化对观测变量的影响。 面板数据模型可以分为固定效应模型和随机效应模型两种。固定效应模型假设 个体固定特征对观测变量有影响，而随机效应模型则认为这些个体固定特征与观测变量之间存在随机关系。 在面板数据模型中，通常会使用一些常见的统计方法，如最小二乘法（OLS） 和固定效应模型（FE）。最小二乘法是一种常见的回归分析方法，用于估计模型 中的参数。固定效应模型则通过引入个体固定效应来控制个体特征对观测变量的影响。 面板数据模型的优势在于可以同时考虑个体特征和时间变化对观测变量的影响，从而提供更准确的分析结果。此外，面板数据模型还可以解决传统的截面数据和时间序列数据模型所存在的一些问题，如异质性和序列相关性等。 为了使用面板数据模型进行分析，需要满足一些基本的假设，如面板数据的一 致性、个体固定效应的异质性、个体特征与观测变量之间的线性关系等。同时，还需要对数据进行一些预处理，如去除异常值、缺失值处理等。 在实际应用中，面板数据模型被广泛应用于经济学、金融学、社会学等领域的 研究中。例如，可以使用面板数据模型来研究个体收入与教育水平、劳动力市场参与率之间的关系，或者分析企业绩效与市场环境、管理策略的关系等。 总之，面板数据模型是一种用于分析面板数据的统计模型，通过考虑个体特征 和时间变化对观测变量的影响，提供了一种更准确的分析方法。在实际应用中，面板数据模型可以帮助研究人员深入理解个体和时间的交互作用，从而得出更可靠的结论。
面板数据模型 一、概述 面板数据模型是一种用于描述面板数据的统计模型。面板数据，也称为纵向数 据或追踪数据，是在一段时间内对同一组体进行多次观测的数据集合。面板数据模型通过考虑个体间的固定效应和时间效应，可以更准确地捕捉数据的动态变化和个体间的差异。 二、面板数据模型的基本假设 1. 独立性假设：个体间观测数据相互独立，不存在相关性。 2. 同方差假设：个体间观测数据的方差相同，不存在异方差性。 3. 零条件均值假设：个体固定效应与解释变量无关，即个体固定效应的均值为零。 4. 随机效应假设：个体固定效应和时间效应是随机变量，并且与解释变量无关。 三、面板数据模型的常见形式 1. 固定效应模型（Fixed Effects Model）：该模型假设个体固定效应与解释变量无关，可以通过个体固定效应的差异来捕捉个体间的异质性。 2. 随机效应模型（Random Effects Model）：该模型假设个体固定效应和时间 效应是随机变量，并且与解释变量无关，可以通过个体固定效应和时间效应的方差来捕捉个体间和时间间的异质性。 3. 混合效应模型（Mixed Effects Model）：该模型将固定效应模型和随机效应 模型相结合，既考虑了个体间的异质性，又考虑了个体间和时间间的异质性。 四、面板数据模型的估计方法
1. 最小二乘法（OLS）：适用于固定效应模型，通过最小化残差平方和来估计 模型参数。 2. 广义最小二乘法（GLS）：适用于随机效应模型，通过考虑个体固定效应和 时间效应的方差来估计模型参数。 3. 随机效应模型的估计方法：包括随机效应模型的最大似然估计法（MLE）和随机效应模型的广义矩估计法（GMM）等。 五、面板数据模型的应用领域 面板数据模型在经济学、社会学、医学等领域得到广泛应用。具体应用包括但 不限于以下几个方面： 1. 经济学领域：研究经济增长、劳动力市场、贸易、金融市场等问题。 2. 社会学领域：研究教育、健康、家庭、犯罪等社会问题。 3. 医学领域：研究药物疗效、疾病预测、流行病传播等医学问题。 4. 环境科学领域：研究气候变化、环境污染、自然资源利用等问题。 六、面板数据模型的优点和局限性 1. 优点： a. 能够充分利用面板数据的纵向特征，提供更准确的估计结果。 b. 能够捕捉个体间和时间间的异质性，更好地解释数据的动态变化。 c. 能够控制个体固定效应和时间效应，减少内生性问题。 2. 局限性： a. 面板数据模型对数据的要求较高，需要具备足够的面板数据量和时间跨度。 b. 面板数据模型对数据的假设较多，需要仔细检验模型的假设是否成立。
面板数据模型 引言概述： 面板数据模型是一种经济学和统计学领域常用的数据分析方法，它能够有效地处理时间序列和横截面数据的结合。本文将介绍面板数据模型的概念、应用领域以及其在实证研究中的优势。 一、概述面板数据模型 1.1 面板数据模型的定义 面板数据模型是一种将时间序列和横截面数据结合起来的统计模型。它包含了多个个体（cross-section）在多个时间点（time period）上的观测数据。面板数据模型可以分为固定效应模型和随机效应模型两种类型。 1.2 面板数据模型的应用领域 面板数据模型广泛应用于经济学、金融学、社会科学等领域的实证研究中。它可以用于分析个体间的差异、时间变化以及两者之间的相互作用。面板数据模型可以匡助研究者更准确地捕捉数据的动态特征，从而提高研究的可信度和准确性。 1.3 面板数据模型的优势 面板数据模型相比于传统的时间序列或者横截面数据模型具有以下优势： （1）更多的信息：面板数据模型结合了时间序列和横截面数据，可以提供更多的信息，从而增加了研究的可靠性。 （2）更强的效率：面板数据模型可以利用个体间和时间间的差异，提高模型的效率和准确性。 （3）更广泛的应用：面板数据模型可以适合于各种数据类型，包括面板数据、平衡面板数据和非平衡面板数据等。
二、固定效应模型 2.1 固定效应模型的基本原理 固定效应模型假设个体间存在不可观测的个体固定效应，即个体特征对因变量的影响在模型中是固定的。通过控制个体固定效应，固定效应模型可以更准确地估计其他变量对因变量的影响。 2.2 固定效应模型的估计方法 固定效应模型的估计方法包括最小二乘法（OLS）和差分法（Difference-in-Differences）。最小二乘法可以通过控制个体固定效应来估计其他变量的系数。差分法则通过个体间的差异来估计因果效应。 2.3 固定效应模型的应用案例 固定效应模型可以应用于许多实证研究中，例如研究个体间的收入差距、教育对收入的影响等。通过控制个体固定效应，固定效应模型可以更准确地估计其他变量对因变量的影响，从而提供更可靠的研究结论。 三、随机效应模型 3.1 随机效应模型的基本原理 随机效应模型假设个体间存在随机效应，即个体特征对因变量的影响在模型中是随机的。通过控制随机效应，随机效应模型可以更准确地估计其他变量对因变量的影响。 3.2 随机效应模型的估计方法 随机效应模型的估计方法包括广义最小二乘法（GLS）和随机效应模型的最大似然法。广义最小二乘法可以通过控制随机效应来估计其他变量的系数。最大似然法则通过最大化似然函数来估计模型的参数。
面板数据模型 面板数据模型是一种用于描述和分析面板数据的统计模型。面板数据是指在一 段时间内对同一组个体进行多次观测得到的数据，例如跨国企业在不同国家的销售数据、学生在不同年级的考试成绩等。面板数据模型可以用来探索个体之间的变化、时间趋势和个体差异等问题。 面板数据模型的标准格式包括以下几个要素：面板数据的描述、面板数据模型 的假设、模型的表达式、模型参数的估计和模型结果的解释。 1. 面板数据的描述： 面板数据通常由个体指标（如个人、公司等）和时间指标（如年份、季度等） 组成。个体指标可以是定量变量（如销售额、收入等）或定性变量（如性别、地区等）。时间指标可以是连续的（如年份、季度等）或离散的（如月份、星期等）。面板数据通常以表格形式呈现，每一行表示一个观测单位，每一列表示一个变量。 2. 面板数据模型的假设： 面板数据模型通常基于以下假设： - 个体效应假设：个体之间的差异可以通过引入个体固定效应或随机效应来捕捉。 - 时间效应假设：时间趋势可以通过引入时间固定效应或随机效应来捕捉。 - 没有序列相关性假设：个体观测之间的误差项是独立同分布的，不存在序列 相关性。 3. 模型的表达式： 面板数据模型可以采用不同的表达式，常见的包括固定效应模型和随机效应模型。以固定效应模型为例，模型可以表示为：
Y_it = α + β*X_it + γ*D_i + ε_it 其中，Y_it表示个体i在时间t的观测值，X_it表示个体i在时间t的解释变量，D_i表示个体i的固定效应，α、β、γ分别为常数系数，ε_it表示误差项。 4. 模型参数的估计： 面板数据模型的参数可以通过最小二乘法进行估计。常见的估计方法包括固定 效应估计和随机效应估计。固定效应估计方法通过消除个体固定效应，利用个体内的变异进行估计。随机效应估计方法则同时估计个体固定效应和随机效应。 5. 模型结果的解释： 面板数据模型的结果可以通过估计参数的显著性、符号、大小等来解释。显著 性检验可以判断解释变量对因变量的影响是否显著。符号可以判断解释变量的影响方向，正负号表示正向或负向关系。大小可以判断解释变量对因变量的影响程度。 总结： 面板数据模型是一种用于描述和分析面板数据的统计模型。它可以帮助我们理 解个体之间的变化、时间趋势和个体差异等问题。通过对面板数据的描述、模型假设、模型表达式、模型参数的估计和模型结果的解释，我们可以得到对面板数据的深入理解和分析。
面板数据模型 面板数据模型是一种常用的统计分析工具，用于对多个观测单位在不同时间点 上的数据进行分析和建模。它可以帮助我们理解数据的动态变化和相互关系，从而揭示出数据背后的规律和趋势。 面板数据模型通常由两个维度组成：个体维度和时间维度。个体维度表示观测 单位，可以是个人、家庭、企业等，每个观测单位在不同时间点上都有对应的数据。时间维度表示观测的时间点，可以是年、季度、月份等。 在面板数据模型中，我们可以利用个体维度和时间维度来建立各种统计模型， 以揭示数据的内在规律。常见的面板数据模型包括固定效应模型、随机效应模型和混合效应模型等。 固定效应模型是最简单的面板数据模型之一，它假设个体效应是固定的，不随 时间变化。这种模型适用于个体之间的差异较大，而且这些差异对于观测时间来说是不变的情况。固定效应模型可以通过固定效应估计器来估计个体效应和其他变量的系数。 随机效应模型则假设个体效应是随机的，可以随时间变化。这种模型适用于个 体之间的差异较小，而且这些差异对于观测时间来说是随机变化的情况。随机效应模型可以通过随机效应估计器来估计个体效应和其他变量的系数。 混合效应模型是固定效应模型和随机效应模型的结合，它同时考虑了个体效应 和时间效应。这种模型适用于个体之间的差异既有固定部分又有随机部分的情况。混合效应模型可以通过混合效应估计器来估计个体效应、时间效应和其他变量的系数。 面板数据模型可以用于各种统计分析和经济学研究中。例如，在经济学中，面 板数据模型可以用来研究个体的消费行为、生产效率、劳动力市场等。在医学研究中，面板数据模型可以用来研究患者的治疗效果、疾病进展等。
总之，面板数据模型是一种强大的统计分析工具，可以帮助我们揭示数据的内在规律和趋势。通过建立合适的面板数据模型，我们可以更好地理解数据，并做出准确的预测和决策。
面板数据模型 一、我对几种面板数据模型的理解 1 混合效应模型 pooled model 就是所有的省份，都是相同，即同一个方程，截距项和斜率项都相同 yit=c+bxit+?it c 与b 都是常数 2 固定效应模型fixed-effect model 和随机效应模型random-effects model 就是所有省份，既有相同的部分，即斜率项都相同；也有不同的部分，即截距项不同。 2.1 固定效应模型 fixed-effect model yit=ai+bxit+?it cov(ci,xit)≠0 固定效应方程隐含着跨组差异可以用常数项的不同刻画。每个ai都被视为未知的待 估参数。xit中任何不随时间推移而变化的变量都会模拟因个体而已的常数项 2.2 随机效应模型 random-effects model yit=a+ui+bxit+?it cov(a+ui,xit)=0 A是一个常数项，是不可观察差异性的均值，ui为第i个观察的随机差异性，不随时 间变化。 3 变系数模型Variable Coefficient Models(变系数也分固定效应和随机效应) 每一个组，都采用一个方程进行估计。就是所有省份的线性回归方程的截距项和斜率项都 不相同。 yit=ui+bixit+?it 1.混合估计模型就是各个截面估计方程的截距和斜率项都一样，也就是说回归方程估 计结果在截距项和斜率项上是一样的。如果是考察各个省份，历年的收入对消费影响。则 各个省份的回归方程就完全相同，无论是截距，还是斜率。 2.随机效应模型和固定 效应模型在斜率项都是相同的，都是截距项不同。区别在于截距项和自变量是否相关，不 相关选择随机效应模型，相关选择固定效应模型。则说明各个省份的回归方程，斜率相同，差别的是截距项，即平移项。 3 .变系数模型，就是无论是截距项，还是系数项，对 于不同省份，每个省份都有一个回归方程，都一个最适合自己的回归方程，完全不管整体。每个省份的回归方程与其他省份的，无论在斜率上，还是截距上都不相同。 总之，从混合估计模型，到变截距模型，再到变系数模型，考察省份是从完全服从整 体和没有个性（回归方程是从整体角度而定的和估计的，是一刀切的，是完全没有差异性
一、我对几种面板数据模型的理解 1 混合效应模型pooled model 就是所有的省份，都是相同，即同一个方程，截距项和斜 率项都相同 y it =c+bx it +?it c 与b 都是常数 2 固定效应模型fixed-effect model 和随机效应模型random-effects model 就是所有省份，既有相同的部分，即斜率项都相同；也有不同的部分，即截距项不同。 2.1 固定效应模型fixed-effect model y it =a i+bx it +?it cov（c i,x it ）≠0 固定效应方程隐含着跨组差异可以用常数项的不同刻画。每个a i 都被视 为未知的待估参数。x it 中任何不随时间推移而变化的变量都会模拟因个体而已的常数项 2.2 随机效应模型random-effects model y it =a+u i +bx it +?it cov（a+u i ,x it ）=0 A是一个常数项，是不可观察差异性的均值，u i 为第i 个观察的随机差异性，不随时间变化。 3 变系数模型Variable Coefficient Models（变系数也分固定效应和随机效应）每一个组，都采用一个方程进行估计。就是所有省份的线性回归方程的截距项和斜率项都不相同。 y it =u i +b i x it +?it 1. 混合估计模型就是各个截面估计方程的截距和斜率项都一样，也就是说回归方程估计结果在截距项和斜率项上是一样的。如果是考察各个省份，历年的收入对消费影响。则各个省份的回归方程就完全相同，无论是截距，还是斜率。 2. 随机效应模型和固定效应模型在斜率项都是相同的，都是截距项不同。区别在于截距项和自变量是否相关，不相关选择随机效应模型，相关选择固定效应模型。则说明各个省份的回归方程，斜率相同，差别的是截距项，即平移项。 3 . 变系数模型，就是无论是截距项，还是系数项，对于不同省份，每个省份都有一个回归方程，都一个最适合自己的回归方程，完全不管整体。每个省份的回归方程与其他省份的，无论在斜率上，还是截距上都不相同。 总之，从混合估计模型，到变截距模型，再到变系数模型，考察省份是从完全服从整体和没有个性（回归方程是从整体角度而定的和估计的，是一刀切的，是完全没有差异性和个性的，完全牺牲自我），到随心所欲和完全个性化（每个省份都有一个最适合自己的回归方程）。即从完全无个性而言到完全有个性。 二、一个做医学哥们在固定效用模型和随机效用模型选择中的甄别方法 关于随机效应模型及固定效应模型的选择，一贯做法是两个模型都分析，看结果是否一致。如果一致且异质性较小或无，则选择固定效应模型。