遗漏不等于一定有偏误
遗漏变量偏误方向辅导首先要问两个问题：被遗漏的 z 是否影响 y；z 是否与保留的 x 相关。在相应的线性模型条件下，两者共同造成所关注系数的遗漏变量偏误。只说“还有别的因素”不够。
《Introduction to Econometrics with R》的公开教材解释了这两个条件。样本扩大并不会自动消除这种模型问题；更精确地估计错误目标，也不等于更接近你想要的因果量。
原创线性机制：把偏误拆为两步
设教学总体模型为 y=5+2x+3z+u，并假设误差对 x、z 的条件均值为零。再设 z 对 x 的总体线性投影为 z=1+0.5x+v，其中 v 与 x 不相关。
代入得 y=8+3.5x+(3v+u)。省略 z 后，简单回归的总体斜率为 3.5，而完整模型中 x 的系数是 2；差额 1.5 来自 3×0.5。这是虚构机制，不是观察数据的研究结果。
正负号要分别说明理由
回归控制变量选择练习不能只看回归结果的正负。若 z 对 y 的系数仍是 3，而 z 对 x 的投影斜率改为 −0.5，遗漏造成的差额就是 −1.5，简单回归总体斜率为 0.5。
如果这两个量中任一个为零，本例机制下相应的遗漏偏误项为零。加入更多变量也不是万能办法：要解释变量的理论角色、测量质量和研究时间顺序，不能只为了凑出想要的显著性。
把关联与因果解释分开
大学计量因果解释训练可以先写关联结论，再列因果解释需要的条件。仅比较加入控制前后的两个系数，不能证明所有混杂已经消除。控制不当也可能改变正在估计的问题。
自测：若 z 对 y 的系数为 −4，z 对 x 的投影斜率为 −0.25，偏误项为 +1。写出两个负号各自的含义。用许可的教学数据和自己的推导讨论，不能把辅导变成代做评估分析。
参考资料
下一步
说明专业课程模块、学习目标和已经尝试的步骤，以便讨论适合的学术支持。