在这里我说一下这两天接触到的“模型的稳健性检验”，可能会有点相通之处。模型稳健性（model robustness）是指当一个模型的前提假设被适当的违背的时候，这个模型还能否正常工作。

稳健性检验检验的是实证结果是否随着参数设定的改变而发生变化，如果改变参数设定以后，结果发现符号和显著性发生了改变，说明不是robust的，需要寻找问题的所在。
一般根据自己文章的具体情况选择稳健性检验：
1. 从数据出发，根据不同的标准调整分类，检验结果是否依然显著；
2. 从变量出发，从其他的变量替换，如：公司size可以用total assets衡量，也可以用total sales衡量；
3. 从计量方法出发，可以用OLS, FIX EFFECT, GMM等来回归，看结果是否依然robust；

介绍一篇文章，看完就该懂了

thank you!

并没有什么用，跟主题不相关

谢谢

谢谢，对稳健性有了新的认识

仅限于个人理解：
稳健性可以理解为当给定一个样本时估计了一个模型，随着样本发生变化时，模型的参数变化较大。或者也可以理解为模型估计系数的方差较大，那么稳健性较差，或者un-robust
稳定性可以理解为原本设定的模型不可以简单的用线性模型来解释。比如样本数据存在结构上的区别时，而建模者非得用线性模型来估计，此时得到的模型稳定性就较差，反而应该尝试引入虚拟变量或者样条回归的方式来建模。
欢迎吐槽共同成长

谢谢

。

感谢分享！

thank you! 感谢分享