与 FE 相比，我们讨论了 Pooled-OLS 和 RE 估计器的有用性。
据我所知，Pooled OLS 估计只是一种在 Panel 数据上运行的 OLS 技术。因此，所有个体特定的影响都被完全忽略。因此，违反了许多基本假设，例如误差项的正交性。
RE 通过在您的模型中实现一个单独的特定截距来解决这个问题，该截距假定是随机的。这意味着您的模型具有完全的外生性。这可以用 Hausmann-Test 进行测试。
由于几乎每个模型都存在一些内生性问题，因此 FE 估计是最佳选择，可为您提供最佳一致的估计，但个别特定参数将消失。
我问自己的问题是，什么时候使用 Pooled OLS 或 Random-Effects 真正有意义？池化 OLS 违反了很多假设，因此完全是无稽之谈。此外，RE-Estimator 的强外生性基本上是没有给出的，那么它什么时候才能真正有用呢？
除此之外，在所有模型中，都不能考虑自相关？
首先，您是对的，Pooled OLS 估计只是一种在 Panel 数据上运行的 OLS 技术。
其次，要知道要检查您的数据有多少是可合并的，您可以使用Breusch-Pagan Lagrange 乘数检验——其原假设是未观察到的固定效应的方差为零合并 OLS可能是合适的模型。因此，如果您保留并怀疑内生性问题，您可能希望离开面板数据世界，并使用其他估计技术来处理这些问题，例如IV (multiple-SLS)、GMM。
第三，在 FE 规范中，个别特定参数不会消失，并且可以重新添加（具有相同的系数但需要调整标准误差）。这实际上就是 LSDV 模型的全部内容（带有附加的大平均值和平均值）。
第四，为了处理（错误的）自相关，类似 GLS的转换在理论上可能会对您有所帮助，但在实践中，它只处理异方差（WLS，FGLS）。但是，请注意，根据您假设自相关起作用的空间（时间、地理、社会学等），您可以代理其结构并最终执行类似 GLS 的转换，例如空间面板。