好的，谢谢。但是做出来不显著

为什么要显著啊
肯能就是没有关系啊

那我的论文研究还有没有意义啊

1.你不研究怎么知道那个x与y就有显著的关系

2、如果你只要放进去就都显著，那也不需要研究了啊。
反正也是显著的。

那研究还有什么意义。


研究就是要搞清楚存在什么关系。
而不是你想要什么关系就是什么关系。

如果我是研究，我就不希望性别的系数是显著的。
我希望劳动力市场没有性别差异。


而计量经济学书上从来也没有说过所有的变量都必须是显著的。
而发表的论文，也不是所有的变量都是显著的。
你能解释一下为什么啊

嗯，你说的很有道理，谢谢

自变量是类别变量，因变量是连续性的变量，用一般线性回归就行。

如果我的自变量是好几组类别变量，那该怎么引入虚拟变量呢？ 假如X1有5个类别，X2有5个类别， 我是应该不要截距项，把X1X2一共10个变量都引入方程 ；还是加入截距项，X1和X2各引入4个虚拟变量呢？

一般都需要加入截距项的，X1与X2各纳入4个虚拟变量就行。祝好运~

那如果因变量是虚拟变量 0和1  自变量是连续变量  只能用logit回归吗？不能用一般线性回归吗？

ivlogit 或者ivprovit可以试试

当自变量是虚拟变量（dummy variable），也就是说它是一个分类变量（比如性别），而因变量是连续性的（比如收入），此时使用线性回归模型是完全可行的。虚拟变量能够很好地融入到线性回归模型中，用来探究分类变量对连续变量的影响。

以您提到的性别对收入影响的例子来说，性别可以设为一个虚拟变量，其中男性为1，女性为0（或者相反），然后将其作为自变量放入线性回归模型中。模型可能看起来像这样：

\[ \text{收入} = \beta_0 + \beta_1 \times \text{性别} + \epsilon \]

这里，\(\beta_0\)是截距项，表示女性（如果性别变量中女性被编码为0）的平均收入；\(\beta_1\)是斜率项，表示男性和女性在收入上的平均差异；\(\epsilon\)是误差项。

当你提到散点图看起来是竖着的两条线时，这其实是虚拟变量在回归分析中的典型情形。这并不意味着线性回归方法不适用。实际上，线性回归能够通过计算两组之间的平均差异（在本例中是男性和女性的平均收入差异）来适应这种情况。

线性回归模型能够告诉我们，在控制了其他变量不变的情况下，性别（男性与女性）对收入的平均影响是多少。这种类型的回归分析在统计学和经济学研究中非常常见，是分析分类自变量对连续因变量影响的标准工具。

总结来说，即使自变量是虚拟变量（如性别），线性回归方法仍然是分析其对连续性因变量（如收入）影响的适当选择。

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