抱歉，但从表面上看，这对我来说听起来很糟糕：如果线性回归为您认为应该为正的一些解释变量提供了负系数，那么这意味着您的数据“错误”（通常是嘈杂的或太小）或者你的直觉被误导了。

如果目标是以特定方式手动强制模型，我看不出为什么要使用数据驱动方法的任何充分理由。这相当于打碎温度计来掩盖发烧。

我建议改为：

1. 一般来说，一个意想不到的结果可以说是一件好事，因为它告诉我们一些我们不知道的数据。这是调查数据中发生的情况的线索。线性回归分析起来很简单：可以查看相关性，绘制变量之间的关系等。
2. 如果某些变量确实存在可疑情况，可能是数据中的某些错误使它们以不应该的方式表现，那么最好将它们从模型中完全丢弃而不是固定它们的系数，因为这样模型根本不会依赖它们。