回归方程中加入控制变量后解释变量变得不显著了，有哪些原因？

你是对的，有时分析时很容易错过一些东西。
这么说吧，我上次做这个模型是在2 01 9 年。
我想研究房价和收入之间的关系。
事实证明，加上收入之后，这个系数特别大，好像收入直接影响房价一样。
但说实话，我当时并没有想到这一点，忘记添加city变量了。
北京和上海的收入都很高，但房价却相差很大。
那么，当加入城市控制变量后，系数就小很多，可见城市是关键。
这是一个内生性问题。
如果加上这个变量，其他变量就显得不重要了。
因此，在进行研究时必须小心，并包括所有可能产生影响的因素，否则结果可能会出现偏差。

控制变量不显著是不是可以排除

上周，一位客户问我：如果控制变量在研究中不显着，可以忽略吗？我当时没时间详细解释，所以现在就这个话题给大家讲一下。

首先，您需要了解控制变量在模型中的作用。
它们的主要目的是解决内生性问题，即主要解释变量中遗漏变量可能造成的扭曲。
即使控制变量本身在统计上不显着，它们也可能对我们根本没有检测到的结果产生影响。

因此，控制变量不显着的原因可能有很多。
例如，样本太小，测量存在误差，或者模型外部存在其他重要因素。
控制变量的选择和使用也会影响它们的显着性。

如果您遇到这种情况该怎么办？首先，需要重新审查变量选择和控制方法，并且可能需要更多数据来改进它们。
您还可以尝试不同的控制方法，例如倾向得分匹配或匹配。
如果这些方法都不起作用，您可能需要修改模型的结构，例如添加或删除变量或更改变量的形状。

但重要的是，即使控制变量不显着，也不能轻易排除。
这是因为这可能会导致实验组和对照组之间出现偏差。
这些偏差可能是由不受控制的变量引起的，最终导致有偏差的研究结论。

所以，如果结论对验证样本不显着，可能需要进一步调整模型并控制变量。
这可能意味着收集更多数据或使用更先进的统计方法。

综上所述，控制变量不显着并不意味着可以排除。
在研究中，我们必须仔细选择和控制变量，并充分考虑它们对结果可能产生的影响。
这取决于你的决定，但谨慎总是正确的。
我还在思考这个问题，也许以后会有新的发现。

加入某个控制变量后原解释变量不显著了是什么原因

我记得有一次在超市买了一个新烤箱，想着周末可以做一些烘焙。
经过大量研究后，我了解到烤箱的价格与其容量和功能成正比。
当时我们认为这只是数据分析中的价格和容量，并不全面。
正如我在本书后面读到的那样，这就像在不控制其他变量的情况下查看一个自变量对因变量的影响。

然后我上网查了一下，发现有些高端烤箱虽然价格昂贵，但容量大，功能多样，其实物有所值。
我突然想到这可能是多元回归分析。
控制其他变量可以让您更准确地了解每个变量如何影响结果。

对烤箱的价格、容量、功能进行简单的回归分析，发现容量对价格的影响大于功能。
就像购买烤箱时，如果只看价格和容量，可能会忽略重要的功能元素。

但是等等，我记得有一次在健身房看到一位教练。
他只关注成员的体重和运动量，而忽略了饮食。
这不也是只看一个变量而忽略其他可能影响结果的因素吗？因此，无论您是购买烤箱还是进行数据分析，控制变量都非常重要。
但这让我想知道，我们如何确定哪些变量重要，哪些可以忽略？