论文实证分析系列（四）：稳健性检验的几种常用方法（含 Python 示例）

在做论文实证分析时，回归结果往往要经过 稳健性检验（Robustness Check） 才算完整。稳健性检验的目的是确认：结论不是偶然的，而是在不同设定下依然成立。本文总结几种常见的稳健性检验方法，并附上 Python 的实现示例。

一、为什么要做稳健性检验？

稳健性检验的核心思想是：在不同的模型设定或数据条件下，核心解释变量（Independent Variable of Interest）的系数方向和显著性是否保持一致。

• 如果一致，说明结论稳健，可信度高。
• 如果差异很大，就需要谨慎解释，甚至考虑模型是否存在遗漏变量或设定错误。

换句话说，稳健性检验不是为了“证明自己一定正确”，而是为了说明“结论不是脆弱的”。

二、常见的稳健性检验方法

1. 增减控制变量

理论背景：

• 在社会科学研究中，遗漏变量偏误（Omitted Variable Bias）是常见问题。
• 如果我们担心某些变量遗漏导致系数虚高或虚低，可以尝试在模型中加入更多控制变量。
• 相反，也可以去掉部分控制变量，检查核心结果是否依然显著。

判断标准：核心变量的系数方向不变，显著性水平变化不大，则结果稳健。

Python 示例（OLS with/without extra controls）：

import statsmodels.api as sm import pandas as pd # 示例数据 data = pd.DataFrame({ "Y": [1,2,3,4,5,6], "X": [2,4,5,4,5,7], "control1": [3,2,4,3,4,5], "contr