大概率是你模型设计的问题 就不该显著

数据缩尾处理；对数化处理。扩大样本量。或者更换控制变量等
如果以上等还不显著，那可能就是你选取的变量不存在因果关系

在使用Stata进行数据分析时，如果你发现结果始终显示为不显著（即p值大于通常接受的阈值0.05），这可能并不总是数据本身的问题。原因可能包括样本量不足、效应大小较小、模型设定不当或变量选择错误等。以下是一些可以尝试的方法来提高统计显著性：

1. **增加样本量**：如果可能，收集更多的数据能够增强你检测实际存在的效应的能力（即提高功效）。

2. **检查和修正模型设定**：
   - 确保你的模型正确指定了所有的相关变量。
   - 检查是否存在遗漏的交互项或非线性关系。
   - 使用适当的分布和回归类型，比如对于二元因变量使用logit或probit模型。

3. **重新考虑自变量**：评估你使用的预测变量是否真正反映了研究假设。有时候，一个更直接相关的变量可能会产生显著结果。

4. **数据清洗**：
   - 检查异常值和离群点，它们可能影响结果。
   - 处理缺失值问题，如使用多重填补（multiple imputation）方法。

5. **重新定义研究问题或假设**：有时候，原始的研究设计可能是基于对效应的不切实际的预期。重新审视你的理论框架可能会提供新的视角。

6. **使用更精确的测量工具**：如果可能的话，改进数据收集过程以提高测量精度和可靠性。

7. **考虑效应量分析**：即使结果在统计上不显著，计算效应大小（如Cohen's d或eta-squared）可以提供更多关于实际重要性的信息。

8. **多元方法**：有时问题可能是由于多重比较导致的。使用更复杂的方法，如多水平模型或多变量分析，可能会揭示隐藏的关系。

9. **增加研究的外部有效性**：通过收集更多样化的样本数据来提高结果的普遍适用性。

10. **报告所有发现**：即使结果不显著，也应该完整地报告你的发现，包括讨论可能的原因。在科学领域，即使是“阴性”结果也是有价值的，它们可以帮助未来的研究避免类似的设计缺陷。

请注意，试图使统计显著性的做法应基于理论和方法上的合理性，而不仅仅是数据操作的结果。保持研究的透明度、合理性和道德标准是至关重要的。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用

如果仅控制双向固定效应就不显著的话，就意味着没必要做下去了（前提是你的数据和指标设定没有问题）。就算你调显著，也将非常不稳健。除非你是想应付本科毕业论文。

非常赞同。再补充一点，如果一直不显著，要反思研究设计本身是不是从理论上论证不够充分，不要玩数字游戏。