稳健性检验

所属分类：回归分析

这个方法是做什么的

这个模块做的不是“稳健估计”，而是“换设定重跑”。 它不给你一个抗离群点的新估计量，而是先跑一个普通 OLS 基线，再自动在几个替代设定下把同一个回归重做一遍，然后逐个自变量比较系数的符号与显著性有没有变——也就是论文里“稳健性检验”那一小节要交代的事。想要抗离群点的估计量本身，那是另一个模块。

变体固定为三类：缩尾（对 Y 与各连续自变量在 1%/99% 分位 Winsorize 后重跑，查异常值敏感性）、滞后一期（按时间/排序变量排序后对自变量整体取一阶滞后，缓解同期反向因果）、分组（按分类变量的每个取值各跑一次子样本回归）。报告给出基线的完整系数表与残差诊断、把全部设定并排的对比表、聚焦关键自变量的系数变动图，以及量化指标：系数极差、变异系数 CV、相对基线的最大偏离、落在基线 95% 置信区间内的比例、显著设定占比，最后按规则给出稳健 / 部分稳健 / 不稳健 / 无法判定的判定。

需要准备什么数据

• 因变量 Y (定量)：定量变量（数值）
• 自变量 X (定量)：至少 1 个，定量变量（数值）
• 分组变量 (定类, 可选)（可选）：定类变量（分组/标签）
• 时间/排序变量 (定量, 可选)（可选）：定量变量（数值）

数据要求

• 数据表至少 30 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。
• 「分组变量 (定类, 可选)」的类别数需在 2~10 之间。
• 「分组变量 (定类, 可选)」的每一组至少 10 个样本。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 论文或报告需要一节稳健性检验，要说明主回归结论不是某个设定下的偶然产物
• 担心少数极端观测在驱动结果，想看看剔除它们的影响后结论还在不在
• 想知道结论在不同子样本（对照组 / 试验组、地区、年份）里是否一致
• 有时间维度，想用滞后自变量粗略缓解同期双向因果的质疑

因变量与自变量都必须是定量列，分组变量为定类（每组至少 10 例、组内自变量要有变异，否则该组被跳过），时间/排序变量为定量。有两点要留意：不提供排序变量时按数据的行序做滞后，此时滞后的含义完全取决于你上传数据时的排列顺序；另外排序变量可以与某个自变量共用同一列——“回归里控制时间趋势”与“按时间滞后一期”可以用同一个时间列。

什么时候不要用它

• 你要的是抗离群点的估计量本身（Huber 之类的 M 估计），而不是换设定重跑：用「稳健回归(Huber M估计)」，它直接给出对厚尾误差更可靠的系数。
• 因变量不是定量的：本模块的基线是 OLS。两分类用「逻辑回归」或「二分类概率单位回归(Probit)」，等级用「有序逻辑回归」，计数用「计数数据回归」。
• 模型里有分类自变量：本模块的自变量区只收定量列，不做哑变量编码——需要把分类变量放进模型时用「线性回归 (最小二乘法)」，它按 drop_first 自动编码。
• 数据是面板或分层嵌套结构：分组变体只是把样本切开分别跑，并没有处理组内相关，标准误仍会被低估——个体—时间两维结构用「面板模型」，重复测量或嵌套结构用「混合模型」。
• 真正的问题是内生性：滞后一期只能缓解同期反向因果，它不是工具变量、也识别不了遗漏变量——用「两阶段回归」；有政策冲击与对照组的用「双重差分(DID)」；想做证伪式检验的用「安慰剂检验(Placebo)」。
• 你想检验的是“换一组控制变量 / 换函数形式结论还成不成立”：本模块只做上述三类变体，不会替你换自变量集合——逐步加入变量块看系数变化用「分层回归」，按统计判据筛变量用「逐步回归」或「特征筛选」。

容易误读的地方

• 数据里本来就没有极端值时，缩尾变体与基线一致什么也证明不了。 卡① 会实测各变量 3×IQR 外的占比，占比接近 0 时它会直接写明“缩尾变体与基线的差异预期很小，其一致不足以证明对异常值稳健”，卡⑤ 的学术表述段也会把这句话写进去。这是最容易被当成利好读反的一条：一致是因为压根没动数据，不是因为结论顽强。
• 没有排序变量时的“滞后一期”滞后的是行号，不是时间。 这时结果依赖你上传数据时的排列顺序——按姓名排过序的表，滞后出来的是“上一个人”而不是“上一期”，得到的系数没有任何含义却照样会被列进对比表。要用滞后变体，就把真正的时间列放进排序区。
• 滞后变体和基线本来就不是同一个模型，系数变了不一定是结论脆弱。 它回答的是“上一期的 X 能不能预测这一期的 Y”，与“同期 X 与 Y 的关联”是两个问题；变量若没有跨期持续性，滞后模型的 R² 大幅下降、系数变得不显著是预期之中的，不能直接读成“基线结论不稳健”。判定表把这类差异一并算进了显著性稳定性，要结合具体变体逐个看，不能只看最后那个标签。
• “关键自变量”是本模块按基线里最显著的那个自动挑的，不是你的研究焦点。 卡③ 的第二张图与卡④ 的关键变量判定都围绕它展开。如果你真正关心的变量不是基线中 p 最小的那个，别把这个自动选出来的结论当成对你那个变量的判断——去对比表里纵向读你自己那一列。
• “稳健”只覆盖已经跑过的那几个设定。 卡⑤ 写明了这条方法学边界：没做的设定（不同函数形式、工具变量、其它控制变量集合）不在保证范围内。更要紧的是“无法判定”：可对比的模型少于 2 个时判定就是无法判定，不会默认成稳健；被跳过的变体在卡① 会逐条列出原因，那意味着该维度上的证据缺失，不是该维度上没问题。
• 系数在所有设定下都稳定，仍然只是关联稳定。 稳健性检验没有原假设，也没有传统意义上的效应量，量化的只是系数在各设定间的离散程度。一个被遗漏的混杂变量会在每一个变体里同样地把系数带偏——它偏得非常稳定。因果解读靠的是研究设计，不是靠多跑几个设定。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：基线模型主结果与跨设定稳健性对比表
3. 输出结果三：跨设定系数对比可视化
4. 输出结果四：稳健性量化指标与判定
5. 输出结果五：结论与学术表述