我是R 的新手，所以如果这个问题听起来不恰当，我提前道歉。
我有一个包含 484 笔并购交易的样本（每笔交易都是独一无二的），我进行了回归分析，以了解为具有特定特征的公司支付的倍数与为没有该特征的目标公司支付的倍数是否不同。 在查看了有关该主题的文献后，我包含了一些控制变量，但我不明白以下内容：在以前的论文中，作者运行与我目前正在研究的回归类似的回归，包括“Entry Year”的固定效应，并购对象的“国家”和“行业”。但是，在寻找有关如何执行此操作的 R 代码/包建议后，在我看来，固定效果始终用于面板数据，而不是像我拥有的样本那样，每笔交易都是独一无二的，我没有随着时间的推移对同一个人的 N 次观察。
如何在我尝试运行的回归中包含 R 中的固定效应？有没有办法这样做或者我错过了一些信息？也许我阅读的研究论文的作者使用术语“固定效应”来指代其他一些治疗方法？
【问题讨论】：
如果我正确理解您的数据集，您有 484 个观察值（行）。这些观察结果的结构如下：
ID_doer，这是某人正在做某事的名字exposure，这是一些实干家拥有而其他人没有的特征（或者，他们在不同的暴露水平下拥有它）。outcome 变量，它是您的因变量如果是这样，给定公式
outcome ~ exposure + ID_doer
您可以查看exposure 功能和您的outcome 功能之间的关系，将exposure 中的概念表达的estimate 从隐藏的、间接的、固定在谁身份中的功能中去偏向正在你的数据集中做一些事情。
此公式适用于 stats 包中的回归，但不适用于 plm 或 lme4 等其他包。无论如何，这些仍然很直观；我认为他们也需要适当的面板数据才能工作。
基本上，您只有一个分层分类变量，因此您可能有兴趣进一步研究取决于数据库结构的分层/多级模型。
如果每个ID_doer 的平均观察值不够高，即在您的 484 个观察数据集中有超过 150 个独特的ID_doer，我不鼓励采用固定效应（“在估计范围内”）。
【讨论】：