La Variable se hace más significativa cuando más variables están incluidos

Question

Hago un poco de investigación empírica. Yo normalmente uso el análisis de regresión de datos de panel de la econometría (con efectos fijos).

Por lo general, cuando tengo que incluir más variables, las iniciales de las variables del modelo son menos significativas.

Pero, en algunos casos, veo que una variable es aún más significativa cuando me incluir más variables.

¿Por qué está sucediendo esto? ¿Cuál es la interpretación de que? Supongo que tiene algo con la correlación entre las covariables y los residuos?

Answer 1

Un Cambio en la significación estadística de una variable cuando más se incluyen variables pueden provenir de dos fuentes.

Uno es el hecho de que la estimación del coeficiente se hace más grande cuando las nuevas variables. Esto puede suceder cuando el recién incluido variables se correlacionaron negativamente con la variable de interés y contribuir de manera positiva a depender de la variable. Así que, esencialmente, usted tiene un sesgo de variable omitida que el sesgo al alza sus estimaciones originales. Usted está erróneamente que contribuyen con el efecto negativo de la variable omitida en la variable dependiente para la variable incluida. Siempre que la varianza del modelo no aumenta mucho, el t-stat, $\frac{\beta}{std err}$, aumentará, y así usted ve un cambio en su significación estadística.

Otra posible razón es que los recién incluido variables no se correlaciona con la variable de interés, pero se reduce la modelo de la varianza (un imporvement de Rsquare). Esto te ayudará a reducir la incertidumbre de la estimación y, por tanto, menor el error estándar de la estimación. De nuevo, siempre que la estimación no cambia mucho, usted verá una mejora en su t-stat.