发布时间：
怎么可能不相关。只是有相关显著不显著的问题。踢出异常值，就是那些乱填的就不要输入了！然后填的不认真的，有规律的也要拉！缺失值的话可以用均值，平均数等代替。不可能不相关，除非不是同一个人的数据。
运行的时候，软件会自动剔除，你不用管它直接运行就行。 如果你觉得缺失太多，剔除后你的valid数量太少了，可以补全，软件会自行帮你根据该数据周围的值预测出一个这个位置大概的数值帮你补充完整，你就可以接着运行了。 我并不知道stata里面关...
stata变量显著不显著看：pwcorr y x, st(#) 可以在stata里面输入 help corr 里面会有你想要的答案。 STATA 中的变量可以划分为三类:分别是数值型，字符型和日期型。变量类型可通过help data type显示。数值型变量数值型变量按其精度又可分为五种类型:byte、int、long、float、double。类似于Access中的字节型、整型、长整型、浮点型和双精度型，不同的精度对应着不同的计算运算误差，若多次运算均需四舍五入时，低精度的运算会使计算误差迅速变大，而高的精度却需要占用较多的内存。当运算精度要求很高的时候，需要将变量设置成浮点型或双精度型。
怎么可能不相关。只是有相关显著不显著的问题。踢出异常值，就是那些乱填的就不要输入了！然后填的不认真的，有规律的也要拉！缺失值的话可以用均值，平均数等代替。不可能不相关，除非不是同一个人的数据。
statap值不显著是就没有研究意义。Stata是一款十分出色的统计学软件，Stata中文版界面友好，功能丰富，除了传统的统计分析方法外，还收集了近20年发展起来的新方法。包含线性混合模型、均衡重复反复及多项式普罗比模式等。
我觉得可以适当的发散一下，这样会更加的丰富，变得更合适。
写的论文得出来的结果不显著，可以再改改呀，或者是找比自己学习好的人帮你看看问题出在了哪里
写的论文得出来的结果改成显著了，可以再改改，或者是找比自己学习好的人帮你看看问题出在了哪里。
论文是一个汉语词语，古典文学常见论文一词，谓交谈辞章或交流思想。当代，论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文。它既是探讨问题进行学术研究的一种手段，又是描述学术研究成果进行学术交流的一种工具。
它包括学年论文、毕业论文、学位论文、科技论文、成果论文等。不显著的话直接写出结论即可，说明之前的假设是不成立的。直接写出结论即可。
论文变量关系不显著的方法：
论文变量关系不显著，可以尽量引用更多关于变量关系的理论依据，甚至于相关事例！使自己的论点羽翼更丰满。
论文变量关系不显著，就要着重讲述和阐述论文变量的关系，使它。显著的表露出来硕士论文不显著改成显著了。
硕士论文不显著改成显著了不可以，属于数据造假。是学术不端行为，会拖累导师。硕士论文不显著原因：数据收集不准确、预期结论存在一定错误都有可以造成结果与预期不符。
木有一个变量是显著的……所有变量的p值都好大的说~整个模型的p值也很大……结论就是这个模型本身统计不显著，各个变量也不显著。看回归分析结果，你先看右上角那个prob> F，那个是对整个模型的检验，如果这个值比大，就是不显著的。下面那些变量，你就看那个P>|t|的值，如果比大，也是不显著的。其他还有，但你这个结果一看这俩都不行，就不用往下看了。
变量都是代表什么东西，还有数据都是什么。还有你的no. of obs太少了，所以一眼看过去就知道没有一个变量是significant的，数据太少了
一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话如果放入多个自变量做回归，那么看到的某一个自变量的回归系数其实代表的是控制了其自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量
一数据缩尾二加控制变量三更换估计方法四替换指标五尊重客观事实
题主是否想询问“eviews取对数后不显著的原因”?不显著的原因有很多，有调查设计、数据来源、抽样方法、质量控制、录入错误、分析方法错误等原因。在数学中，对数是对求幂的逆运算，正如除法是乘法的逆运算，反之亦然。意味着一个数字的对数是必须产生另一个固定数字（基数）的指数。在简单的情况下，乘数中的对数计数因子。更一般来说，乘幂允许将任何正实数提高到任何实际功率，总是产生正的结果，因此可以对于b不等于1的任何两个正实数b和x计算对数。
看下是否存在异方差或者自相关等违背经典假定的错误。协整回归模型要是显著的话其误差修正模型一般是显著的。结果不显著的原因有很多，有调查设计、数据来源、抽样方法、质量控制、录入错误、分析方法错误等原因，因此在数据已经收集到之后，是没法判断造成不显著的原因的。如果您的研究假设就错了，也就是说，A和B的相关关系原本就是不显著的，你一定要假设他们显著，然后去做调查，这样就算您努力去设计和调查了，得到的结果仍然是没法让您满意。所以，设计方案是第一，有一个好的设计，才会去收集到合适的数据。至于统计方法，那是最后要做的事情。如果前期工作都满意了，那么后期统计分析结果满意的可能性就大一些。
不显著的原因有很多，有可能是你操作错误，有可能是data本身的问题我经常帮别人做类似的数据统计分析的，经验很丰富