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],
"control2": [3,2,4,3,4,5]
})
