When  faced  with  the  prospect  of  omitted  variables  bias  (or  unobserved heterogeneity) ,  we  have  so  far  discussed  three  options:  (1)we  can  ignore  the  problem and  suffer  the  consequences  of  biased  and  inconsistent  estimators;  (2)   we  can  try  to find and use a suitable proxy variable for the unobserved variable; or (3)  we can assume
that  the  omitted  variable  does  not  change  over  time  and  use  the  fix ed  effects  or  first differencing methods from Chapters 13  and 14. The first response can be satisfactory  if the  estimates  are  coupled  with  the  direction  of  the  biases  for  the  key  parameters.  For
example,  if  we  can  say  that  the  estimator  of  a  positive  parameter ,  say ,  the  effect  of  job
training  on  subsequent  wages,  is  biased  toward  zero  and  we  have  found  a  statistically
significant positive estimate, we have still learned something: job training has a positive
effect  on  wages,  and  it  is  likely  that  we  have  underestimated  the  effect.  Unfortunately ,
the  opposite  case,  where  our  estimates  may  be  too  large  in  magnitude,  often  occurs,
which makes it very difficult for us to draw any useful conclusions.

有人能解释一下那个例子么，就是for example那段，麻烦请问we  have  found  a  statistically
significant positive estimate 这个要怎么得到？
Unfortunately ,
the  opposite  case,  where  our  estimates  may  be  too  large  in  magnitude,  often  occurs,
which makes it very difficult for us to draw any useful conclusions.是为什么？谢谢！