【锚点】这一篇只钉一个判断：固定效应（FE）不是「去掉混淆」，它是把偏误的方向赌在你的测量误差的时间结构上。如果误差逐期独立，FE 会把衰减偏误放大，而不是缩小。

【显式】经典衰减偏误：观测 x = 真值 x + 噪声 u，Var(u)=σ²_u，Var(x)=σ²_。OLS 的 plim β̂ = β · σ²_/(σ²_*+σ²_u) = β·λ，λ 是信度比（reliability ratio）。

【隐式】FE 做的是组内去均值 x̃_it = x_it − x̄_i。真值和噪声都被去均值，但被削掉的是【组间方差】，留下的是【组内方差】——两者不是同一个分母。

【流程节点链路】 起点：真值 x* 的方差分解为 组间 0.8 + 组内 0.2；测量噪声逐期独立，Var(u)=0.2 → 中间节点 1（混合 OLS）：分母用全方差 1.0+0.2=1.2，λ_pooled = 1.0/1.2 = 0.833，衰减偏误 16.7% → 中间节点 2（组内变换）：真值只剩组内 0.2，噪声的组内方差仍是 0.2，λ_within = 0.2/(0.2+0.2) = 0.5 → 终点：同一个 β，混合 OLS 低估 17%，FE 低估 50%。那个号称「更干净」的估计量，把偏误放大了三倍。

【细微】方向完全取决于误差的自相关。如果噪声是【个体持久】的——同一个受访者每期都系统性高报收入、同一个访员每次都偏严、同一份问卷的措辞每次都把答案推向同一侧——FE 把它当固定效应减掉，偏误反而消失。所以正确的说法不是「FE 有偏/无偏」，而是：FE 用组间信息换混淆控制；代价是信噪比，收益是能杀掉不随时间变的测量误差。你必须在两者之间做判断，而大多数人从来没意识到自己在做这个判断。

【极难发现】这个偏误不会被任何常规诊断抓住。R² 会上升，标准误看起来正常，系数看起来「更保守」，审稿人看不出任何异常。Griliches & Hausman (1986, Journal of Econometrics) 早就写清楚了：面板数据里的 errors-in-variables 不是被 FE 解决，而是被 FE 重新排列。Bound, Brown & Mathiowetz (2001, Handbook of Econometrics vol.5) 那篇综述里也反复强调，调查测量误差的方差结构决定了任何变换后的偏误方向。

【可操作】三个可证伪的检查： 1. 报出组内/组间方差分解。组内方差占比低于 30% 时，FE 的信噪比已经很危险。 2. 如果同一变量有两期独立测量（两次访问、两种问法、两个访员），用它们的相关系数直接估 λ_within，不要猜。 3. 同时报 pooled、FE、以及用滞后值做 IV 的版本。三者差得远，说明测量误差在主导，而不是「稳健性检验通过」。

【值得辩论】FE 和 pooled 差得很大时，我们习惯性相信 FE。但上面的推演说：在信噪比低的面板里，pooled 反而更接近真值。有没有一个 principled 的准则决定信噪比多低时该放弃 FE？我的答案是：没有——除非你能对误差的时间结构给出可辩护的假设，否则两个估计量都在赌。你赌哪个？