---
type: method
slug: panel-fixed-effects
name_ko: 패널 고정효과 모형
name_en: Panel Fixed Effects
categories:
  - '[[econometric-methods]]'
  - '[[panel-data-methods]]'
aliases:
  - Panel Fixed-Effects
  - Fixed Effects
  - FE
  - Within Estimator
  - fixed-effects-panel
  - 고정 효과 패널 모형
  - Fixed Effects Panel Model
  - fixed effects model
last_updated: '2026-05-20T02:30:00+09:00'
---
# 패널 고정효과 모형

*Panel Fixed Effects*

> 패널 데이터의 관측되지 않은 시간불변 이질성을 개체별 고정효과 $\alpha_i$ 로 흡수해 시간변동분 (within variation) 만으로 인과적 식별을 시도하는 표준 패널 추정 기법. 기업 고유의 능력, 산업의 기술 수준, 국가의 제도처럼 측정되지 않으면서 관심 변수와 상관될 수 있는 요인이 OLS 추정을 편향시키는 상황에서 일관성을 회복한다. 기업 성장·R&D 동학·노동시장 분석 등 TEMEP 의 실증 라인에서 가장 자주 쓰이는 패널 식별 전략이다.

- **유형**: 모수적, 선형 패널 회귀, within 변환 또는 LSDV
- **핵심 가정**: strict exogeneity, 시간불변 이질성 $\alpha_i$ 는 임의 분포 (random effects 의 직교성 가정 불필요)
- **주요 변형**: two-way FE (개체 + 시간), high-dimensional FE, FE-IV, FE-Poisson, dynamic panel (system GMM, Arellano-Bond)

## 개요

Mundlak (1961, 1978) 의 within-transformation 과 LSDV (least squares dummy variable) 동등성이 fixed effects 추정량의 이론적 출발점이고, Hausman (1978) 의 specification test 가 random effects 와의 선택 기준을 제공했다. within estimator 는 각 변수를 개체별 평균으로부터의 편차로 변환해 $\alpha_i$ 를 제거하고, 시간변동분만으로 회귀계수를 식별한다. 따라서 시간불변 변수 (성별, 지역 dummy) 의 효과는 분리 식별 불가능하며, 시간변동성이 약한 변수는 추정 정확도가 낮아진다. cluster-robust standard error 는 동일 개체 내 잔차 상관을 허용하고, two-way FE 는 시간 고정효과까지 추가해 macro 충격을 흡수한다. dynamic panel (Arellano-Bond, Blundell-Bond) 은 lagged dependent variable 이 포함될 때 within transformation 이 일관성을 잃는 문제 (Nickell bias) 를 GMM 으로 해결한다.

## 핵심 식·정의

개체 $i$, 시점 $t$ 에서 종속변수 $y_{it}$ 가 설명변수 $x_{it}$ 와 시간불변 이질성 $\alpha_i$, 특이오차 $\varepsilon_{it}$ 로 결정될 때, 모형은 다음과 같다.

$$
y_{it} = x_{it}'\beta + \alpha_i + \varepsilon_{it}
$$

within transformation 은 개체별 평균을 차감해 $\alpha_i$ 를 제거한다.

$$
y_{it} - \bar{y}_i = (x_{it} - \bar{x}_i)'\beta + (\varepsilon_{it} - \bar{\varepsilon}_i)
$$

여기서 $\bar{y}_i = T^{-1}\sum_t y_{it}$ 다. strict exogeneity $E[\varepsilon_{it} | x_{i1}, \ldots, x_{iT}, \alpha_i] = 0$ 하에서 OLS 가 일관 추정량이 된다. two-way FE 는 시간 dummy $\delta_t$ 를 추가해 $y_{it} = x_{it}'\beta + \alpha_i + \delta_t + \varepsilon_{it}$ 로 확장하고, 거시 충격이나 공통 시간 추세를 흡수한다.

## TEMEP 라인

[[jinakang]] 의 [[taewon-kang]] 라인이 R&D 동학·기업 성장 분석에서 패널 FE 의 본격적 활용을 보여준다. [[taewon-kang-2017-internal-cash-flow-positive-shocks]] 는 기술역량 관점에서 R&D 투자의 persistency 와 volatility 를 재해석하고, [[taewon-kang-2018-activities-becoming-highgrowth]] 는 한국 제조업 high-growth firm 의 R&D 활동을 패널 FE 로 식별한다. [[taewon-kang-2019-knowledge-accumulation-experience]] 는 experience 와 experimentation 두 지식축적 전략의 기업 성장 효과를 분리한다. [[hayoung-park-2019-rd-persistency-rd-volatility]] 는 경제위기 시기의 R&D persistency 가 기업 성장에 미치는 효과를 패널 FE 로 식별하며 동일 라인의 후속이다.

[[wonsub-eum-2019-product-space-technology-space]] 와 [[wonsub-eum-2022-alternative-paths-diversification]] 는 product space · technology space 의 다변화 경로 분석에 패널 FE 를 적용하며, [[jeongdonglee]] 의 capability 라인을 quantitative 식별 전략으로 확장한다. [[hoyoon-lee-2020-demand-side-policy-eco-innovation]] 는 수요측 정책의 eco-innovation 효과를 production 의 매개 역할로 식별하며 환경혁신 응용을 더한다. [[sonja-walter-2021-mincer-equation-job-polarization]] 와 [[sonja-walter-2022-susceptible-skills-obsolescence]] 는 인적자본 감가상각·기술 노후화의 노동시장 효과를 task-based 패널 FE 로 추정하며 [[junghyelee]] 라인의 노동·기술 응용을 정착시킨다.

## See also

- 관련 method: [[difference-in-differences]], [[instrumental-variables]], [[system-gmm]], [[propensity-score-matching]]
- 관련 concept: [[unobserved-heterogeneity]], [[within-variation]], [[strict-exogeneity]]
- 핵심 paper: [[taewon-kang-2017-internal-cash-flow-positive-shocks]], [[taewon-kang-2018-activities-becoming-highgrowth]], [[hayoung-park-2019-rd-persistency-rd-volatility]], [[wonsub-eum-2019-product-space-technology-space]], [[sonja-walter-2021-mincer-equation-job-polarization]]