盯着屏幕上那个红艳艳的p值0.06，你深吸一口气，还是忍不住骂了一句——这就是经管类研究生日常的缩影。数据跑了三天，结果就是不显著，你怀疑人生，怀疑样本，甚至怀疑导师给的方向有问题。别急，先停一下。很多问题不是方向错了，而是你跳过了几个最基础的检查项。

先别急着跑回归，数据清理这几个坑你踩了吗

　　后台经常收到这样的留言：“我用面板数据做了固定效应，结果所有变量都不显著，是不是模型错了？” 检索发现数据里有一列全为空值，另一列有重复编号。经管类研究生的论文里，60%的卡壳都发生在数据清理阶段。你花十分钟在Excel里拉一下缺失值占比，再检查一下变量类型是不是被读成了字符串，就能省下通宵跑模型的力气。有的朋友可能遇到过：回归跑出来系数符号反了，检查发现是把“年份”当成了连续变量，而实际上应该用虚拟变量。这类手误，一旦养成检查习惯，三分钟就能揪出来。记住一个动作：跑任何模型前，先执行describe和summarize，看一眼观测数、均值、标准差。如果最大值和最小值差了几个数量级，十有八九是离群值没处理。先别追求高级方法，把数据洗干净，你就能避免大半“不显著”的焦虑。

实证结果不显著？这些常见问题你自查过吗

　　数据没问题，模型跑出来还是p大于0.1。这时候不要立刻换方法，先按顺序自查：第一，控制变量是否遗漏了核心影响因素？比如研究企业绩效，没加入行业和规模虚拟变量，结果往往会偏。第二，变量取对数了吗？金融、收入这类右偏变量，不取对数会导致异方差，标准误被低估。第三，模型设定有没有违背基本假设？比如主模型是线性，但因果效应可能是U型。有个实操技巧：画个散点图，看一眼趋势是否单调。
别急着上两阶段最小二乘法，工具变量很难找。更常见的解法是：把连续变量分成几组，用分组回归看系数变化方向。经管类研究生最容易犯的错误是“一步到位”，总想用最复杂的模型证明自己厉害。但审稿人看的不是方法炫不炫，而是异质性检验、稳健性检验做了没有。你先把基准回归做到10%显著性，然后补上替换变量、缩尾处理这些动作，就能回收大部分分数。

　　有些同学可能还卡在“内生性”上。其实内生性不是万能的借口。如果你的样本是省级面板数据，时间固定效应和个体固定效应就已经能控制大部分不可观测因素。别被高年级学长的话吓住，他们自己也不一定懂。

　　关掉Stata，去睡一觉。明天再检查一遍数据来源。问题解决了就去泡杯茶，别在这耗着。