如果您有个个体，并且在 OLS 回归中包含个个体虚拟变量（为了避免虚拟变量陷阱而减少一个），例如 那么这称为最小二乘虚拟变量 (LSDV) 回归。在这种情况下，每个单独的假人将“吸收”隐藏在误差项。$N$$N-1$

$$y_{it} = X'_{it}\beta + \sum_{i=1}^{N-1}\delta_i (\text{individual}_i) + \epsilon_{it}$$ $u_i$$\epsilon_{it} = u_i + e_{it}$

Mundlak (1978)表明 LSDV 回归等效于固定效应估计量：

$$y_{it} - \overline{y}_{i} = (X_{it} - \overline{X}_i)\beta + \epsilon_{it} - \overline{\epsilon}_i$$ 在哪里$\overline{y}_{i} = \frac{1}{T}\sum^{T}_{t=1}y_{it}$,$\overline{x}_{i} = \frac{1}{T}\sum^{T}_{t=1}x_{it}$， 和$\overline{\epsilon}_{i} = \frac{1}{T}\sum^{T}_{t=1}\epsilon_{it}$. 回到计算机不是很快的时代，拥有大面板基本上使 LSDV 不可行，因为有太多的假人。因此，Mundlak 的发现非常有用，因为它无需包含所有这些单独的虚拟对象，而是使用内部转换使事情变得更加简单。

因此，如果您进行固定效应回归，则不需要包括所有单独的假人。事实上，如果您将它们包含在固定效应回归中，您的统计软件只会删除它们。同样在第一个差异回归中，单个虚拟变量将退出，因为它们不会随时间变化，因此所有虚拟变量的差异为零，然后您的统计软件将由于完美的共线性而忽略它们。做固定效应或一阶差分已经解决了时间不变的未观察变量的问题（$u_i$）。LSDV 只是另一种方法，因此它不会帮助您将其与其他方法结合使用。

当您在对其他变量进行一阶差分后包含单独的虚拟变量时，即使用单独的虚拟变量进行一阶差分回归，这些虚拟变量将估计单独的趋势效应（参见第 77 页，此处注释中的脚注 1 ）。