研究说了什么
固定效应模型用组内变异估计效应：对每个人计算多年均值，再用每年数值减去均值，个体间不随时间变化的差异，如遗传背景、性别、早年环境、性格倾向，被整体消掉。双向固定效应再加入年份虚拟变量，吸收所有人在同一年共同经历的事件，如疫情、经济波动、诊断标准更新。估计完成后通常用聚类稳健标准误，聚类层级选个体或更上层的地区。固定效应与随机效应的选择常用 Hausman 检验，但更实质的判断是：个体效应是否与暴露相关，若相关，随机效应的一致性就不成立。条件 logistic 回归是二分类结局的对应做法，只利用发生变化的个体。另一个变体是个体间比较与个体内比较的分解，即混合模型里的组间与组内成分，两者回答的问题不同，混在一起解释会出错。组内变异很小时，估计会变得极不精确，样本量与随访次数因此比总人数更关键。若个体只观测一次，固定效应无法估计任何东西，因为组内变异为零；这也是它常与长期随访数据绑定的原因。面板越长，组内变异越充分，估计越稳。
为什么重要
衰老研究天生适合这种设计：同一个人十年间的生物年龄、步速、握力、代谢指标，本身就是一条轨迹。用固定效应问「同一个人运动量增加的年份，生物年龄是否走得更慢」，比横断面比较运动者与久坐者更少受混杂影响，因为不运动的人可能本就更有病。双胞胎设计是它的极端形式，同卵双胞胎共享全部遗传与早年环境，差异只能来自后天。对读者，固定效应研究的一个信号是论文里出现「个体内变化」「within-person」这类词，说明作者试图排除稳定的个体差异。它也能用于药物上市后的安全性监测，比较同一患者在用药前后的指标，而不是用药者与未用药者的横断面对比。政策评估中的地区与年份双向固定效应，逻辑与此相同。对衰老轨迹研究，它还能把「谁老得快」与「谁在某年变差」分开，前者是组间问题，后者才是干预能改变的部分。若随访次数少，个体内变异不足以支撑估计，此时混合模型比固定效应更稳，但需要接受更强的假设。它的另一个优点是能控制家族背景，兄弟姐妹比较在同一家庭内估计，进一步贴近因果。
证据与边界
固定效应消掉的只是不随时间变化的混杂，随时间变化的混杂仍然存在，比如收入下降、丧偶、新发疾病，这些都可能同时改变暴露与结局。反向因果也没有被解决：运动量下降可能是疾病的结果，而不是原因。测量误差在组内变异中占比更大，因为个体间的真实差异被扣掉了，剩下的变化里噪声比例更高，衰减偏倚因此更严重，这也是固定效应估计常小于横断面估计的原因之一。压缩变异还会让标准误变大，样本量不足时容易得出无效结论。另一个边界是它无法估计不随时间变化的暴露，比如血型、遗传变异的主效应，这些变量在组内被完全吸收。一个典型失败案例是用固定效应估计婚姻对健康的影响，把婚姻状态当成稳定暴露，却忽略了婚姻质量逐年变化，结果把质量差异混进了状态效应。另一个问题是时间趋势与年龄完全共线，队列研究里年龄、时期与世代不能同时估计，需要额外假设。看到固定效应，先问时间里还变了什么。若暴露在个体内几乎不变，固定效应会把真实效应与噪声一起抹掉，估计接近零并不代表无效。