统计显着性并不意味着模型是好的。事实上，在这种情况下，这可能是它不好的迹象。

如果您的模型指定错误，您对模型方差的估计可能是错误的。统计显着性取决于该估计。如果该估计是错误的，您将获得错误的 t 统计量和 p 值，因此可能会在您所需的置信水平下获得错误的显着系数。我说按照豪斯曼测试的说法。

您绝对应该利用 Hausman 检验的结果。记住测试的作用：它将一致但效率较低的估计量（固定效应）与仅在零值（随机效应）下一致的更有效的估计量进行比较，

统计显着性不是一个好的选择标准，因为随机效应总是比固定效应更有效，即其系数的标准误差会更小。这是因为随机效应是数据中的组间和组内变化的矩阵加权平均值（固定效应仅使用组内变量，不考虑组间变量中包含的信息，因此效率较低）。出于这个原因，如果您有迹象表明随机效果不会保持一致，那么选择固定效果而不是随机效果会更好。一个非常精确但错误的估计对你来说可能不如一个不太精确但更正确的估计有价值。