我正在尝试使用调查数据运行离散持续时间模型来分析（每月）失业。我有家庭级别的数据，因此我想在我的模型中控制家庭影响。我想通过在标准误差估计中允许集群效应或随机效应（对于家庭）来做到这一点 - 即，我认为固定效应不起作用，因为有很多家庭并且因为附带参数问题。
我的模型将包括个人特征（例如，年龄、学校、职业，自从该人失业的时间——回顾性地询问他们）和一些其他变量）以及家庭特征（例如规模、失业人数） .
任何人都可以对我提出的方法提供一些评论吗？有什么我应该注意的事情，或者有没有更好的方法来做到这一点？
我也非常感谢任何相关的参考资料。
首先，附带参数问题在离散持续时间模型中很容易解决。只要你愿意为你的模型假设一个逻辑形式，你就可以通过一个聪明的条件参数来消除附带参数。经济学中通常引用的是张伯伦（1980，Rev Econ Stud）。如果你更喜欢教科书，有 Greene's Econometric Analysis（任何最近的版本）——在索引中查找“fixed effects model binary selection”或“Chamberlain”。在第七版中，讨论从 pg 721 到 725。得到的估计量通常称为“固定效应 logit”或“张伯伦估计量”。
需要明确的是，您不只是对家庭使用一堆虚拟变量进行逻辑回归。如果您是Stata用户，xtlogit带有选项的命令将fe运行张伯伦的固定效应 logit 模型。在 R 中，我不知道该怎么做。在交叉验证（一、二）和堆栈溢出时有几个问题。这些线程中的答案似乎主要误解了张伯伦估计器是什么，我认为他们的正确结论是张伯伦估计器目前没有在 R 中实现。（如果我错了，我希望得到纠正）
再次查看您的问题，我想知道您是否真的想要一个固定效果估计器。与任何固定效应估计器一样，您将无法直接估计任何不随时间变化的家庭特征的影响。一般来说，学历、职业、家庭规模在一个短面板中是固定的或几乎固定的。如果你包括时间假人（你为什么不呢？），那么每个家庭内随时间定期变化的任何特征都不能包括在内。例如年龄，因为一旦你控制了时间，它就是出生日期，是户主的固定特征。同样，一旦你有时间假人和家庭假人，即使是失业期持续时间的影响也无法衡量，除非某些家庭有多次失业期。