找到原因，重新做实验。如果做出的结果不显著，要分析一下，找出原因，重新做实验得结果。
整改单调。硕士论文调节由于整改单调导致效应不显著，需要重新整改。硕士论文是硕士研究生所撰写的学术论文，具有一定的理论深度和更高的学术水平。
您是想问硕士论文不显著改成显著了可以吗？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。
进行科研，少不了做实验。得到实验原始数据后，要进行分析处理，来判断所得结果是否具有统计学意义上的显著相关性，是否支持研究设想，然后对数据结果进行解释，最后得出结论。 无论是期刊论文还是学位论文，在引言或前言(Introduction)中提出本研究的目的(aim/purpose)，和研究假设(hypothesis)，完成一系列的实验后，在报告方法(Materials and Methods)一节中，要进行数据分析。 通过数据分析，发现得出的结论具有相关性，从而验证了你的研究设想，实现了你的研究目的。 但也有可能实验结果的相关性不显著，得出的结果和研究设想不一致，甚至相反。你的第一反应也许是不理会那些数据，甚至想到要剔除掉它们。这是错误的做法。 一个科研人员应具备科研素质，尊重科学，严谨治学。其实相关性不显著，就是你实验的科学结论，只不过不支持你的研究设想罢了。你的实验结果证明你的设想不成立，从而否定了这一假设，这本身就是一结论。 一般情况下，如得出实验结果相关性不显著时，作者还要分析一下其原因，如样本不够大、变量不易控制、人为因素等。 下面以一篇SCI文章为例，来看看如果处理“不完美”的数据。 ❶We met with mixed success in our objectives. ❷We had believed that our results would indicate that trust was best described as a concept with two distinct dimensions. ❸Instead, we found an overall trust dimension that best characterized the data. ❹At least two plausible reasons may explain this difference, each providing rich areas for further research. ❺In part, some of the inconsistency may exist because of cross cultural variations. ❻In addition, some dissimilarity in results may exist because of methodological differences. 第一句话直接指出了部分结果与设想不一样，第二句和第三句分别阐述了原来的设想和实际得到的实验结果。第四句写出有两个原因，第五、六句具体分析了两个原因。
这种情况是很常见的出现这种情况的原因有很多种但通常是两个变量间并不存在显著关系也有可能是回归方程的形式有错通常可以这样处理：令y=a+bln(x)（自变量取对数，通常能提高线性关系）再检验一下效果
不显著的话可以看一下是不是自己哪一步错了，然后重新选择方程，变量，样本以及方法。下面是对这几个的详细介绍：1、选方程。同样的问题，有时会有不同的模型。某篇经典文献用的是A模型，另外一个大牛可能用的是B模型。倒底哪个模型更好，取决于你对模型背后理论的信念。如果你更认可A模型背后的理论，就用A模型；同理对B模型也是如此。而选择不同的模型时，得到的实证结果往往会存在差别。有时候差别仅仅体现在系数的大小上，而有时候差别体现在系数的显著性上。 2、选变量。同一个财务变量，可能有多个指标能衡量。比如融资约束的度量，在文献经常出现的包括：公司规模、是否支付股利、产权性质、KZ指数、WW指数、信用评级、票据评级、利息偿付倍数、资产的可抵押能力、是否是集团公司等等。再比如掠夺风险的度量，包括：HHI、主营业务利润、价格-成本边际、超额价格-成本边际、勒纳指数、交叉弹性、熵指数、资本-劳动比偏离行业均值的绝对值、股票收益和行业组合收益的协方差、行业内最大四家企业的集中度等等。选择不同的指标衡量某个变量，得到的结果也存在差别。所以也可以采用这种思路来获得显著的结果。不过稳健性检验往往要求对某个无法精确度量的变量采取多种指标衡量，而且有时候还要检验这些指标的一致性（通过相关系数和交叉统计）。 3、选样本。数据处理的过程包含了选择样本的过程。删除ST、PT公司，删除交叉上市的公司，删除IPO当年的数据，删除资不抵债的公司，对离群值进行Winsor处理。样本处理也是五花八门，值得细细琢磨一番。 4、选方法。OLS、FE、GMM、3SLS、IV、Probit、DID，方法有很多，理论上可以改变不同的方法来做实证，但事实上每一种方法都有自己的限定条件和使用范围。所以选方法的可行性不太高。
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。
假设检验是围绕对原假设内容的审定而展开的。如
果原假设正确我们接受了（同时也就拒绝了备择假设），或原假设错误我们拒绝了（同时也就接受了备择假设），这表明我们作出了正确的决定。但是，由于假设检验是根据样本提供的信息进行推断的，也就有犯错误的可能。
有这样一种情况，原假设正确，而我们却把它当成错误的加以拒绝。犯这种错误的概率用α表示，统计上把α称为假设检验中的显著性水平，也就是决策中所面临的风险。
扩展资料
假设检验的意义：
假设检验是抽样推断中的一项重要内容。它是根据原资料作出一个总体指标是否等于某一个数值，某一随机变量是否服从某种概率分布的假设，然后利用样本资料采用一定的统计方法计算出有关检验的统计量。
依据一定的概率原则，以较小的风险来判断估计数值与总体数值(或者估计分布与实际分布)是否存在显著差异，是否应当接受原假设选择的一种检验方法。
用样本指标估计总体指标，其结论有的完全可靠，有的只有不同程度的可靠性，需要进一步加以检验和证实。
通过检验，对样本指标与假设的总体指标之间是否存在差别作出判断，是否接受原假设。这里必须明确，进行检验的目的不是怀疑样本指标本身是否计算正确，而是为了分析样本指标和总体指标之间是否存在显著差异
参考资料来源：百度百科-显著性水平
参考资料来源：百度百科-假设检验
显著性水平是估计总体参数落在某一区间内，可能犯错误的概率，用α表示。显著性是对差异的程度而言的，程度不同说明引起变动的原因也有不同：一类是条件差异，一类是随机差异。它是在进行假设检验时事先确定一个可允许的作为判断界限的小概率标准。显著性水平是在进行假设检验时事先确定一个可允许的作为判断界限的小概率标准。检验中，依据显著性水平大小把概率划分为二个区间，小于给定标准的概率区间称为拒绝区间，大于这个标准则为接受区间。事件属于接受区间，原假设成立而无显著性差异；事件属于拒绝区间，拒绝原假设而认为有显著性差异。对显著水平的理解必须把握以下二点：1、显著性水平不是一个固定不变的数值，依据拒绝区间所可能承担的风险来决定。2、统计上所讲的显著性与实际生活工作中的显著性是不一样的。
显著性水平是估计总体参数落在某一区间内，可能犯错误的概率，用α表示。
显著性是对差异的程度而言的，程度不同说明引起变动的原因也有不同：一类是条件差异，一类是随机差异。它是在进行假设检验时事先确定一个可允许的作为判断界限的小概率标准。
假设检验是围绕对原假设内容的审定而展开的。如果原假设正确我们接受了（同时也就拒绝了备择假设），或原假设错误我们拒绝了（同时也就接受了备择假设），这表明我们作出了正确的决定。但是，由于假设检验是根据样本提供的信息进行推断的，也就有犯错误的可能。
显著性水平的理解
显著性水平是在进行假设检验时事先确定一个可允许的作为判断界限的小概率标准。检验中，依据显著性水平大小把概率划分为二个区间，小于给定标准的概率区间称为拒绝区间，大于这个标准则为接受区间。
事件属于接受区间，原假设成立而无显著性差异；事件属于拒绝区间，拒绝原假设而认为有显著性差异。对显著水平的理解必须把握以下二点：
1、显著性水平不是一个固定不变的数值，依据拒绝区间所可能承担的风险来决定。
2、统计上所讲的显著性与实际生活工作中的显著性是不一样的。
呵呵，改数据吧，一般很少有论文的数据是想要的结果
进行科研，少不了做实验。得到实验原始数据后，要进行分析处理，来判断所得结果是否具有统计学意义上的显著相关性，是否支持研究设想，然后对数据结果进行解释，最后得出结论。 无论是期刊论文还是学位论文，在引言或前言(Introduction)中提出本研究的目的(aim/purpose)，和研究假设(hypothesis)，完成一系列的实验后，在报告方法(Materials and Methods)一节中，要进行数据分析。 通过数据分析，发现得出的结论具有相关性，从而验证了你的研究设想，实现了你的研究目的。 但也有可能实验结果的相关性不显著，得出的结果和研究设想不一致，甚至相反。你的第一反应也许是不理会那些数据，甚至想到要剔除掉它们。这是错误的做法。 一个科研人员应具备科研素质，尊重科学，严谨治学。其实相关性不显著，就是你实验的科学结论，只不过不支持你的研究设想罢了。你的实验结果证明你的设想不成立，从而否定了这一假设，这本身就是一结论。 一般情况下，如得出实验结果相关性不显著时，作者还要分析一下其原因，如样本不够大、变量不易控制、人为因素等。 下面以一篇SCI文章为例，来看看如果处理“不完美”的数据。 ❶We met with mixed success in our objectives. ❷We had believed that our results would indicate that trust was best described as a concept with two distinct dimensions. ❸Instead, we found an overall trust dimension that best characterized the data. ❹At least two plausible reasons may explain this difference, each providing rich areas for further research. ❺In part, some of the inconsistency may exist because of cross cultural variations. ❻In addition, some dissimilarity in results may exist because of methodological differences. 第一句话直接指出了部分结果与设想不一样，第二句和第三句分别阐述了原来的设想和实际得到的实验结果。第四句写出有两个原因，第五、六句具体分析了两个原因。
再好好分析，用别的的数据、别的方法再去研究，得出新的分析结论。可以去咨询老师，看看是哪里出的错误，能及时纠正。
说明没有太大的关系回归结果对应的回归关系。回归分析在给定自变量的情况下估计因变量的条件期望——即当自变量固定时因变量的平均值。不太常见的是，焦点集中在因变量的分位数，或给定自变量的因变量的其他位置参数上。在所有情况下，都要估计独立变量的函数，称为回归函数。在回归分析中，利用概率分布来描述回归函数预测周围因变量的变化也是很有意义的。
每一个孩子都经历过被论文支配的痛苦，大多数学生写完了文之后要去相关网站进行查重，如果某一位学生写出来的作文不合格，这位学生会根据不合格的原因进行修改。还有一部分学生论文，写完之后发给辅导员及专业课，老师，查看之后没有问题，却在答辩上出现问题，这类学生可以申请第二次答辩，答辩老师不会为难你的。学生并不害怕答辩，他们害怕自己写的论文效果不显着，那么当我们遇到论文效果不显著时，该怎么办呢？
每一个学生都会得到学校的安排，每一个学生都有专业课老师进行论文辅导。我们学校每一个班级都有一个专业老师，他会帮助我们修改论文，解决论文中的问题。当我们出现任何论文问题时，这位老师会查阅相关资料，给予我们最正确的答复。如果你的论文结果不显著，可以请教专业老师帮忙指导。
绝大部分学生论文效果不显著的原因是资料匮乏，所提出的观点得不到验证。还有一部分学生论文效果不显著的原因是查重率太高，论文不通过。既然你没有查阅相关资料就开始写论文，那么论文的结果肯定不会尽如人意，所以如果碰到论文结果不显著的情况，可以继续查阅资料，丰富论文内容。
这里指的是与其他人进行互帮互助，每一个班里都有学习很好的学生。如果你是一名学渣，所写出的作文结果不如人意，可以向同学寻求帮助，也可以和学习好的同学进行合作。许多人通过讨论与合作完成论文，寻求他人合作与帮助的过程中，千万不要害羞，让同学知道你有一颗爱学习的心。
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
看看数据是否出现了错误，可以先认真的核查一遍，看看自己的计算过程是否正确，如果没有错误，那就更换下实验的数据的，把数据修改一下。