模型中增加解释变量后，首先应该观察R^2是不是有显著变化，因为R^2是衡量所考察的所有自变量对因变量的解释程度的重要指标，取值范围在0~1之间，越接近1说明模型的拟合优度越好。如果加入变量后，R^2值明显增加并且各项系数能通过显著性检验，说明增加的该变量是对因变量有显著影响的，应该纳入回归方程中。
增加解释变量后变量的回归系数肯定是会发生变化的，但是具体想知道哪个变量对因变量的冲击更大的话，可能要做冲击反应分析才行。

冲击反应分析啥东西？？

冲击反应，imulse response,主要在使用VAR模型的时候使用，测量各个自变量对因变量的冲击各有多大，是怎么冲击的，可以更细地观察变量间的关系。

       这个很简单的，一个模型不能够把所有的解释变量全部包括，比如影响消费的因素有本期的消费、初始财富、消费惯性和收入预期等，你在建模的时候不可能包括所有变量，但是每个解释变量对因变量的影响很都不一样，有的大，有的小。因此你增加解释变量的时候，可能这个解释变量的影响很大，因此你原来计算的变量系数都要产生相应的变化。对于这种问题，清华大学的高铁梅教授认为在模型中增加解释变量必定会使自由度减少，所以可以用调整后的可决系数剔除解释变量数目和样本容量影响，使各个回归方程可以进行拟合优度的比较。 记住哦 要比较的话，就要用调整后的可决系数比较它们的优越性。
      不知道我的回答，你满意吗？满意的话，就给币吧！

谢谢各位的回答！

正解不应该是考虑遗漏变量造成的回归偏误吗。例如，方程本该包含x1，x2，但回归仅包含x1，就要考虑x1与x2协方差的正负以及x2系数的正负带来的可能四种情况，从而讨论遗漏变量对回归方程估计造成的偏误方向