Panel Data में Fixed Effects बनाम Random Effects
Within estimation, time-invariant factors, random-effects orthogonality assumption, Mundlak approach, Hausman tests और financial panel applications समझें
सीधा जवाब
Fixed-effects regression time के साथ उसी firm या person के भीतर regressor और outcome के changes compare करती है और न बदलने वाली unit characteristics हटा देती है। Random effects within-unit और between-unit variation को इस assumption के साथ जोड़ता है कि unit effect हर period के regressors से uncorrelated है। Fixed effects अपने आप causal effect नहीं देता: time-varying confounding, reverse causality और measurement error remain करते हैं। Choice efficiency से पहले estimand और orthogonality की credibility से शुरू होनी चाहिए
Panels वही units बार-बार observe करते हैं
Panel data firms, funds, households या countries जैसी units को dates पर follow करता है और cross-sectional differences तथा time variation दोनों रखता है
Model yit=βxit+αi+λt+uit में αi time-invariant unit component और λt सभी units के साथ share होने वाला date shock है
Pooled OLS between-unit differences को within-unit relations के साथ mix करता है और αi, xit से related हो तो β को bias कर सकता है
Fixed effects within-unit changes उपयोग करता है
Within transformation हर unit का time average subtract करके time-invariant αi हटाती है और unit के अपने mean से deviations compare करती है
Firm fixed-effects coefficient पूछता है कि उसी firm का leverage बदलने पर outcome कैसे co-move करता है, high-leverage firms low-leverage firms से कैसे अलग हैं यह नहीं
Date fixed effects business cycles, interest rates या market returns जैसे common level shocks absorb कर सकते हैं जो एक date पर सभी units को affect करते हैं
कुछ information मिटती है और कुछ bias बचता है
Industry origin या founder traits जैसी time-invariant features unit effects के साथ perfectly collinear होती हैं, इसलिए इनके separate coefficients identify नहीं होते
जो regressor units के भीतर barely बदलता है, वह little identifying information देता है और uncertainty तथा measurement error का relative impact बढ़ाता है
Time-varying omitted variables, outcome से regressor की feedback और post-treatment controls fixed effects के बाद भी problems रहते हैं
Random effects को stronger orthogonality चाहिए
Random effects αi को stochastic error का हिस्सा मानता है और तभी within तथा between variation जोड़ता है जब हर period में regressors से uncorrelated हो
Condition hold करे तो यह fixed effects से अधिक efficient हो सकता है और time-invariant regressors के coefficients estimate कर सकता है
यदि latent management quality या risk preference capital structure को influence करती है, तो random effects उस firm difference को target coefficient में mix कर सकता है
Mundlak approach correlation को visible बनाती है
Correlated random effects, या Mundlak approach, αi और xit की correlation को explicitly model करने के लिए time-varying regressors के unit means जोड़ती है
यह within effects को between differences से अलग करती है और strong random-effects orthogonality को अधिक inspectable specification बनाती है
Simple linear balanced-panel conditions में within-variable coefficient fixed effects से connect करता है, लेकिन यह equivalence हर nonlinear या dynamic model में automatic नहीं
Hausman test verdict नहीं है
Hausman logic उन coefficients को compare करता है जहाँ एक estimator null के अंतर्गत efficient और दोनों consistent होते हैं
Rejection orthogonality या दूसरी model conditions के conflict का signal है, लेकिन reject न करना random-effects assumptions true prove नहीं करता
Small samples, weak within variation, robust covariance choices और misspecification test power तथा numerical stability undermine कर सकते हैं
Financial panels को dependence design भी चाहिए
Firm और year effects common हैं, लेकिन industry cycles या country policies को time के साथ अधिक granular interactions चाहिए हो सकते हैं
Persistent firm errors firm clustering motivate करते हैं; remaining common-date shocks date या two-way clustering motivate कर सकते हैं, यदि clusters पर्याप्त हों
Lagged dependent variable जोड़ने पर short T में dynamic-panel bias बनता है, इसलिए static fixed-effects interpretation सीधे carry over नहीं करनी चाहिए
Variation source और assumptions report करें
Unit और time dimensions, balance, within और between variation, fixed-effect combination और covariance clustering level state करें
समझाएँ कौन-सी units और time changes coefficient identify करती हैं और sample में economically meaningful within movement है या नहीं
Fixed effects, random effects, Mundlak estimates और Hausman results को evidence की तरह उपयोग करें, final model को confounding pathways और target effect से justify करें
आम सवाल
क्या fixed effects सभी omitted-variable bias हटा देता है?
नहीं। यह time के साथ न बदलने वाले unit factors हटाता है; time-varying confounding, reverse causality और measurement error बच सकते हैं
क्या fixed effects time-invariant variable estimate कर सकता है?
Usual within model में नहीं, क्योंकि वह variable unit fixed effect के साथ perfectly collinear है
क्या random effects हमेशा fixed effects से अधिक efficient है?
Orthogonality और variance assumptions सही हों तो हो सकता है; fail होने पर consistency खोना efficiency gain से अधिक महत्वपूर्ण है
Hausman test reject न करे तो क्या random effects उपयोग कर सकता हूँ?
Automatically नहीं। Test power और model conditions assess करें और अलग से defend करें कि unit effects regressors से unrelated क्यों होने चाहिए