面板数据分析系列第10讲：面板数据分析中，为什么变量经常不显著？

统计

在前面的几讲中，我们已经反复看到这样一种现象：

在普通回归中，核心变量往往显著；换成面板数据模型后，显著性开始下降；进一步加入固定效应、时间效应，有些变量甚至变得“不显著”。

这一变化在面板数据研究中并不罕见，却也是最容易引发误解的地方。

不少刚接触面板数据的读者，在看到“不显著”时，往往会下意识地问：

是不是关系本来就不存在？
是不是模型把结果“跑没了”？
是不是方法越复杂，反而越不可信？

这些疑问，其实都指向同一个更基础的问题：

在面板数据分析中，显著性究竟在检验什么？

01显著性本身，并没有发生变化

首先需要澄清一个最容易被忽略的事实。

不论是普通回归，还是固定效应模型，t 值和 p 值的统计含义本身并没有发生变化。

显著性检验始终只是在回答同一个问题：

在给定模型设定下，估计得到的系数是否显著偏离 0 ？

真正发生变化的，并不是“显著性规则”，而是——

模型在估计时，究竟使用了哪一部分信息。

理解这一点，是理解“为什么面板数据中变量经常不显著”的关键。

02在进入结果之前，先说明本文使用的案例

为了把这个问题讲清楚，下面使用一个非常简单、直观的教学案例。需要说明的是：这个不是现实调查数据，而是一组在 Stata 中模拟生成的面板数据。

这个模型可以很好地说明不同回归下的结果差异。案例设定如下：

样本是若干名学生，连续观察 6 个学期，总计 600 条观测值。

研究的问题非常直观：

学习时间多一点，成绩会不会更好？

其中：

score 表示考试成绩
study_hours 表示学习时长

面板结构为：

学生 × 学期（学生固定效应 + 学期固定效应）

接下来所有回归结果，均围绕这一组数据展开。

03普通回归中，“显著性”主要来自哪里？

我们先从最简单的普通回归开始。

图1 普通回归模型的回归结果

把所有学生、所有学期的数据直接放在一起回归，图1结果显示：

学习时长的回归系数约为 1.40
t 值为 20.14
p 值为 0.000

这是一个非常“漂亮”的结果。从直觉上看，解释也很自然：学习时间多的学生，成绩往往更高。

但问题恰恰在于：

这个比较，混合了大量学生之间本来就存在的差异。

例如：

学习能力强的学生，往往学习时间更长；
学习习惯好的学生，本身成绩也更高。

这些长期存在的个体差异，并没有在模型中被单独区分，却被普通回归一并算进了“学习时间的作用”里。因此，在这一设定下，显著性更接近于一种：

“学生之间水平差异的统计确认”，而不是对学习时间变化机制的检验。

04加入学生固定效应后，显著性为什么会下降？

接下来，我们引入学生固定效应。这一步的含义，其实非常直观：

模型不再比较张三和李四，
而只比较同一个学生在不同学期的变化。

学生的天赋、长期学习习惯、自律程度等不随时间变化的因素，都会被固定效应整体吸收。

图2 学生固定效应模型输出结果

在这一设定下，图2的回归结果发生了明显变化：

学习时长的系数大幅下降至约 0.17
t 值约为 2.38
p 值为 0.018

也就是说，学习时间对成绩的影响仍然显著，但幅度已经明显变小。

这一变化本身，就已经解释了标题中的一部分：

**当模型不再利用“学生之间那些稳定但混杂的差异”时，
原本显著的关系，往往会明显变弱。

这正是面板数据中，变量“开始不显著”的第一道关口。

05再加入学期固定效应，为什么更容易“不显著”？

但事情还没有结束。

不同学期的考试难度、教学安排、评分尺度，本身就可能存在整体差异。

如果不控制这些学期层面的变化，模型仍然可能把“学期效应”误当成学习时间的作用。

因此，在学生固定效应的基础上，我们进一步引入学期固定效应。

在这一设定下，模型真正能够使用的信息，只剩下一类：

在同一个学期背景下，某个学生相对于“平时自己”，多学或少学的那一点时间，是否对应着成绩的变化。

图3 学生+学期双固定效应模型的回归结果

图3的结果显示：

学习时长的系数仍然约为 0.17
t 值和 p 值几乎没有发生明显变化

学期虚拟变量本身大多不显著，这并不是重点。重点在于：

在如此严格的信息约束下，模型已经极其“克制”。

换句话说，它不再比较不同学生之间的差异，也不再利用不同学期的整体波动，只允许自己使用同一学期内、同一学生相对于自身平均水平的那一点点变化来进行估计。

如果一个变量：

主要体现在个体之间，或在个体内部变化本身就不强，那么在这种双固定效应设定下，“不显著”反而是一种非常常见、甚至正常的结果。

06面板数据中的“不显著”，究竟意味着什么？

通过这一组对比，可以看到一个经常被误解的事实：

在面板数据分析中，“不显著”往往并不是因为关系不存在，
而是因为模型主动放弃了大量信息。

普通回归，容易利用个体之间的差异；固定效应模型，只允许使用个体内部的变化；再加入时间效应后，可用的信息会进一步被压缩。

显著性下降，很多时候只是意味着：

在当前设定下，变量所能独立解释的“干净变化”，并没有想象中那么多。

07 本讲总结

通过这一讲，可以形成三个更稳妥的判断：

第一，面板数据中的显著性，检验的是“变化是否足够强”，而不是“是否存在差异”；
第二，显著性下降，往往来自信息被逐步剥离，而非关系被否定；
第三，不显著结果本身并不自动削弱研究价值，关键在于是否被如实解释。

写在最后

在面板数据分析中，模型越严谨，结论往往越克制。

真正值得警惕的，从来不是“不显著”，而是那些在信息被严格限制之后，依然被过度解读的显著性结果。