你说如果OLS显著，FE不显著，就说明他们没因果关系？

那不就是说已经潜意识的接受FE的结果了啊？我对FE的结果其实不是太满意。不仅是因为不显著，而且R^2 within值小到基本是可以忽略，rho值也不不大。

我现在好多变量不显著。。删又删不得，放在那里又要降低模型的评估能力，实在是进退两难啊!!!
动态面板我没有用，你说的是GMM的面板吗？那个解决Endogenous的，对显著性应该没什么特别大的改善。

我现在不但不显著，而且FE 模型下，T值只有0.2.。。。。。。。这也太悲剧了。

为什么要使用FE，这是因为FE可以克服由于time-invriant unobserved variables和解释变量相关造成的内生性。

但是当time-invriant unobserved variables和解释变量不相关时，我们无需ＦＥ就可以得到一致估计量。

所以你假设存在time-invriant unobserved variables且他和解释变量相关时，就要使用ＦＥ，而ＯＬＳ估计的得到的无论怎么显著，都只是ｃｏｒｒｅｌａｔｉｏｎ　ｏｒ　ａｓｓｏｃｉａｔｉｏｎ而不是ｃａｕｓａｌ　ｅｆｆｅｃｔ。　

问题在于如果unobserved variables是timg-varying的，或者内生性是由于reverse causality造成的，那么ＦＥ估计不但不能消除内生性，反而可能导致更大的估计偏差。

所以还是要回到模型本身。为什么要使用ＦＥ，或者是误差项都有可能包括哪些东西，他们与结识变量之间到底是一种什么关系，以及他们随时间改变吗？

我刚才又自己研究了下你说的前3点建议。

1.关于你说的变量的机制问题。我的解释变量和因变量的关系，理论上是可以有 "正向"，"负向"，或者是"没有关系" 这3种可能。如果不是因为那个讨厌的权威人士的资料在那里，其实我的论文结果的确可以随便我写。因为我自己收集到的资料，显示这3种可能都存在（我有一些企业HR的Interview，从这些Interview中可以看出，企业对于这件事情因果关系的处理结果是比较不同的）。而且它们之间的回归分析，又是目前文献的盲点。

2.关于你说的模型的假设，就是关于在"什么情况下会导致这种不相关的问题" 我也想过了。
企业的规模可能导致这种不相关。但是我也做了Robust测试，各种企业大小区间我都用FE回归测试过，依然不显著。

听君一席话，胜读十年书啊~~~本来要睡觉了。结果我要又起来重新审视一下我的自变量。。。。。。= =

你问我为什么要用FE，我想了下，我的理由是: 我就是想研究我的X1 和Y之间的关系。其他X2。。。X10全部都是控制变量。最关键的就是X1.也就是说只有X1和Y之间的Within Effect，不想被其他任何Between effect打扰。而且又要体现出面板二维数据的优势。用OLS无面板效应，数据是一维的。而且我把样本按照等级分为3份，每一份都做FE回归。
你觉得有点道理吗？？？？？

专门针对time-invriant unobserved variables，我重新仔细看了下我的自变量，我依然觉得，能够符合这点的，只有"企业的规模"这一个虚拟变量。这个变量是不会随着时间改变的，同时也会影响到我的残差。 于是我把整个数据按照"企业的规模"划分成3类，每一类分别进行FE回归。这样行不行？

针对 time-variant unobserved heterogenity 我也自己分析了下， 结论是木有！
我的回归变量，全部都是企业层面的东西，不是宏观经济的东西，基本和时间没有关系。即使有，最坏的结果也就是我的Beta不准确。但是这个对显著性T检验，不会有质的改变了。
我也可以在FE中加入每一年的Dummy。但是这个不太会有很大的改变。


明天我再去联邦统计局尝试下以下改变，不知道你的建议是什么？

1.单独测试每个自变量X的 Multicollinearity，自变量我一个个增加，除非我加第一个自变量就已经不显著，不然的话肯定能测出多重线性相关（如果我只用一个自变量，都不显著，那应该就是不显著了，大局已定，其他的理论，只能往不显著上靠拢。。。。）

2.取Y的对数，用Log试试看能不能解决一部分异方差问题。虽然我用了robust error，但是取了对数应该会更加可能显著吧。

一维还是二维不重要的，重要的是我们必须找一个consistent的估计量；至于能否unbiased和more efficient那都是第二位考虑的事情。OLS的问题在于如果E[X*epsilon]不等于0的时候，OLS估计是不一致的；但是如果epsilon如果可以分为两个部分u和v，其中u是time-invriant的，而v是time-varying的，而且E[X*v]=0，也就是说X和误差项的相关完全是由u和X的相关引起的，那么即使E[X*epsilon]不等于0，一个consistent的估计仍然可以通过矩条件E[(X-X_bar)*(spsilon-epsilon_bar)]=E[(X-X_bar)*(v-v_bar)]=0得到。这就是FE的原理。

所以除非你的模型符合这样的条件，否则FE估计要么也是inconsistent的，要么不是有效（efficient）的。

关注残差不是因为控制了什么，而是因为你没有控制什么。 实际上企业中不变的因素很多，比如企业文化，企业的业务类型等等；残差中随时间改变的也很多，包括宏观经济状况，竞争对手的策略。当这些因素和X相关的时候，beta的估计就不是consistent的，严重的时候，方向都有可能发生改变，怎么会说对方程的T检验没有影响呢？