外观
固定效应模型
吸收法（AbsorbingLS）估计的多维固定效应模型 reghdfe 一致。
核心代码
py
def _fit_fixed_effects(
self,
df: pd.DataFrame,
entity_col: str,
time_col: str
) -> Any:
"""
执行固定效应回归
参数:
df: 清洗后的数据框
entity_col: 个体标识列
time_col: 时间标识列
返回:
吸收式固定效应拟合结果
"""
absorb_vars = [item for item in self._unique_preserve_order(self.fe_vars) if item in df.columns]
if not absorb_vars:
absorb_vars = [item for item in self._unique_preserve_order([entity_col, time_col]) if item and item in df.columns]
if not absorb_vars:
raise ValueError(_('固定效应回归至少需要选择 1 个固定效应变量。'))
fit_info = self._fit_linear_model(
df,
self.y_var,
[item for item in self.x_vars if item != self.y_var],
model_kind='fe',
absorb_vars=absorb_vars,
header='Fixed Effects Results',
)
self.result = fit_info['result']
self.model_stats = dict(fit_info['stats'])
self.raw_output = fit_info['raw_output']
self.display_x_vars = [item for item in self.x_vars if item != self.y_var]
self.table_custom_rows = self._base_custom_rows(absorb_vars)
return self.result固定效应与聚类标签
固定效应及聚类变量支持数值、文本和两者混合的标签。估计前按首次出现顺序编码为整数，避免底层排序比较整数与字符串；原始数据不变，缺失值继续按估计样本清洗规则处理。数字 1 与文本 "1" 保持不同分组，不会因统一转成字符串而被合并。已有字符串首尾空白规范化规则保持一致。
固定效应编码后再转换成分类变量，聚类标准误使用相同的分组编码规则：
py
def encode_grouping_series(series: pd.Series) -> pd.Series:
"""按首次出现顺序编码分组标签，保留缺失值以及数字与同形文本的区别。"""
normalized = normalize_grouping_series(series)
codes, _levels = pd.factorize(normalized, sort=False)
encoded = pd.Series(codes, index=series.index, name=series.name)
return encoded.where(encoded >= 0)py
def _absorbing_fit_kwargs(self, df: pd.DataFrame) -> Dict[str, Any]:
se_type = str(self.se_options.get('type', 'iid') or 'iid').lower()
if se_type == 'iid':
return {'cov_type': 'unadjusted'}
if se_type == 'cluster':
cluster_var = self.se_options.get('cluster_var')
if not cluster_var:
raise ValueError(_('聚类标准误必须指定聚类变量。'))
if cluster_var not in df.columns:
raise ValueError(_('聚类变量未进入当前估计样本。'))
# 与固定效应及自由度计算采用相同的分组语义，避免混合标签排序失败。
return {'cov_type': 'clustered', 'clusters': encode_grouping_series(df[cluster_var])}
return {'cov_type': 'robust'}下载包中的 tests/test_fixed_effects_mixed_labels.py 覆盖混合标签、分类列、缺失值和原始数据保留，并比较编码前后的系数、协方差与自由度。
极小样本复现
样本 fe_panel.csv 共 60 行（10 家企业 × 6 年），数据生成过程
bash
python examples/run_fixed_effects.py期望输出：
============================================================
固定效应模型（个体固定效应: firm）
============================================================
样本量 N = 60（10 家企业 × 6 年）
------------------------------------------------------------
变量 系数 标准误
Constant -0.6587*** (0.0966)
x1 0.6309*** (0.0573)
x2 -0.4010*** (0.0447)
------------------------------------------------------------
（数据生成过程真实系数: x1 = 0.6, x2 = -0.4）