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？

内生性问题往往是由遗漏变量引起的。
例如，房价模型不增加收入，结果同时受到收入和住房市场的影响。
2 01 8 年的研究中加入职业变量后，系数从0.6 下降到0.3 我不确定哪些变量很重要，但尝试一些变量总是一个好主意。
你自己掂量一下吧。

加入某个控制变量后原解释变量不显著了是什么原因


想想，比如2 02 2 年，有人研究某个城市的房价（嗯，因变量）和面积（自变量）之间的关系。
也许这只是一个简单的计算。
如果面积越大，房价就会越高。
但这很不方便。
面积较大的房屋可能位置更好，社区质量也可能更高。
这是另一个导致问题的变量。
相关分析不关心这个，直接给你结果，比如每平米贵了1 00元。

但是回归分析很强大。
你可以把位置（大概用社区得分来表示，需要花点钱去找数据，比如2 02 2 年这个城市有多少分），社区的质量（大概用绿化率什么的来表示，2 02 2 年这个城市绿化率可能在3 0%以上，就算好的了），还有面积。
那么此时罒算。
你看到的系数不仅仅是面积对房价的影响，还减去了区位、品质等因素的影响。
它告诉您在相同位置和质量的情况下，每增加一平方米的住房成本会增加多少。
2 02 2 年的城市，可能会超过5 0元。

你看，电影就使力儿。
相关性是指两个事物一起变化，无论它们是否更强，无论其间是否有其他原因。
回归就是要找出结果（房价）因素（如面积）有多少是可以独立解释的，必须先隔离其他影响。

就这么简单。
在控制了其他变量后，回归系数更加可靠，能够更好地解释问题。

稳健性检验控制变量不显著

是的，就是这个问题。
时间开动不月着，电影不志圆。

先测试核心变量，只看核心变量和结果变量，看底层关系是否稳定。

再次检查控制变量是否选择错误。
如果没有意义，就改变它。

为了处理共线性，变量太相似，需要消除一个。

还必须检查样品和数据。
样本太少或者分布有问题，数据错误。

模型方法需要调整，例如添加交互项和改变估计方法。

总之，你需要一步一步地找出问题所在，然后解决它。

回归方程显著但是有解释变量不显著

哦，我已经经历过很多次了。
当时我记得做市场研究，做回归方程。
结果表明，总体结果显着，但存在一些解释变量。
嘿他们并不特别。
我感觉花很多钱买了一部手机，相机拍出来的照片总是模糊。

首先要检查解释变量选择是否正确。
例如，当时我选择了“消费者年龄”和“收入水平”来预测购买意愿，但年龄的变化并不显着。
那么，消费者的年龄是2 0-3 0岁。
我觉得应该分年龄层，比如3 0-4 0岁。
当结果崩溃时，嘿！ 3 0-4 0岁年龄段是显着的。

所以我想知道是不是样本量太小了。
所以我增加了样本量。
结果，这一次整体回归方程的显着性增加，之前不显着的变量也变得显着。

最后我还进行了样本分析。
将样本按地区和消费习惯等分为几组后发现，不同的收入水平在特定地区变得显着，但在全国范围内并不显着。

总之，本案需要具体问题具体分析。
有时候，方法并没有错；有时候，方法并没有错。
但小细节做得不太好。
我在这个领域有很多经验。
如果你遇到类似的问题，可以尝试我提到的方法。
当然，具体的操作还要根据实际情况而定。
我在这个领域从未见过如此复杂的模型。
所以我不敢说这是没有意义的，但是总的来说，这些方法还是比较有效的。