数据是来源于实际的经济问题，如果现实当中的经济变量之间存在单向的显著关系，通过回归模型分析检验这会是显著的，如果真实的现象之间存在互为因果的双向关系，则都还会是显著的。这也正是回归模型的作用所在，他能够发现隐藏在数据背后的现象之间的因果关系。比如你拿历年的国民收入和消费的数据分别以消费和国民收入做因变量回归，两个回归都很会显著，因为事实上二者之间存在着双向因果关系，正因为如此，联立方程模型和格兰杰因果关系检验以及协整分析才有用。

这个道理很简单：函数与反函数是一种纯粹的数学运算，其变量没有任何实际的意义，而回归模型利用函数关系来推演经济、社会现象之间的关系的，是将现象抽象成变量建立起来的函数关系模型，其中的每一个变量都具有实际的含义，而经济社会现象之间是有因果关系的，也即是单向的关系，当然也有互为因果关系的情况，比如说单方程模型出现的内生性问题，联立方程模型等等，所以对于计量经济模型是不能轻易移项的，也不能用反函数来描述，就是说现实的经济现象社会现象变量之间的函数关系其反函数是没有任何意义的，比如，收入和消费之间的关系是先有收入才能消费，而不是先消费再收入吧。

谢谢回答。

      那我的疑问是，统计软件在处理数据的时候，面对的也只是数据，是不知道其实际意义的。
我的一位好友是这样解释的：

          如果，模型1为Y=β+β1X+μ（显著）；模型2 X=β+β1Y+μ（不显著）

     在回归模型中，X和Y显然不是简单的函数和反函数的关系。模型1显著，模型2不显著，可能和随机项μ有关。也就是说X是Y的一个很重要的影响因子，但Y不一定是X的重要影响因子。就比如国内是否发生战争对单个个体的幸福度有很大影响，但单个个体的幸福度对国内是否发生战争的影响几乎是微乎其微的。

谢谢