对回归模型而言，如果不控制自变量的规模和回归的复杂度，无论多奇怪的Y，你都可以获得相应的回归模型，但是，这种回归往往是无意义的，因为往往这种回归是data mining。
一般而言回归模型是Y=h(X,W,V)+err，发生data mining时，模型看起来很美丽，但是实际上失去了可预测性，因为err也被当作有效数据加进了回归模型中，回归出来的比较像这样Y=g(X,W,V,Z,T,...)+o(h)，其中o(h)趋近于0，这个模型和我们期望的h(X)实际上是不同的。
另外一个问题则是多重共线性的问题，即在回归模型中有两个或以上的自变量是相关的。举个例子，我们回归一个模型
体重＝a年龄＋b收入＋c纬度
我们知道收入和年龄是正相关的，那么，我们在回归上面这个模型的时候，实际上增加了年龄这个变量的权重，那么我们跑出来的实验就很容易在年龄收入上表现出显著，因为它们是互相促进的。实际上我们想跑这个模型，那么就要把收入做一个投影，使之与年龄不相关，才能让他们彼此不再干扰。
回答楼主的问题，控制了行业效益结果就变得不显著，那么明显，实际上这个模型就应该是不显著的，也就是说，控制行业效益相当于剔除了数据中的多重共线性的数据，同样的，减少了对数据的过度挖掘。