我同意诺亚的观点；这本身并不是一个技术统计问题。有几个问题你需要有一个明确的答案。

你有一个“一致的”主观评价吗？ 假设您的培训数据来自现有员工的意见，那么对新员工的评估是否会有相同的意见？如果在您的模型实施阶段之后存在不一致的意见和评级，那么您就无法再推断该功能的性能，这确实是个问题。如果您决定使用它，我认为这可能是最有问题的假设。

你的建模目标是什么？ 如果目标只是最大化模型的预测能力，那么您有正当理由使用它。

还有其他业务限制吗？ 有时即使您有一个重要的预测器，由于某些业务和法律限制，您也无法使用它。例如，如果你要建立一个信用模型来预测金融部门的贷款违约，你不能使用年龄和性别（在美国）......等。

包含变量是否合乎道德？ 这个问题可能会让你的建模更高标准；这取决于您的业务领域的上下文。

潜在的解决方案： 是否可以从另一个变量中得出估计值？例如，您有捐赠者的地址吗？如果是这样，使用地址作为中间变量并估计捐赠者的净资产（Zillow's Zestimate）可能是一个好主意。

PS关于逐步回归有一个讨论得很好的话题；你应该在这里查看帖子

如果您使用逐步回归，您可能会犯 I 类错误并利用机会，因此在没有交叉验证样本的情况下解释它的结果时要小心。此外，如果这个变量与样本中的另一个变量（例如财富）高度相关，那么它出现的重要性而不是其他变量的事实可能是偶然的。

也就是说，是否在模型中包含这个变量取决于模型试图做什么。如果要使用它来最佳地预测新数据集中的结果，那么当然，请使用您拥有的每个有助于这样做的变量。变量的含义无关紧要。

如果您试图推断预测变量与人口结果之间的关系，那么这个变量对解释个人特征和他们的捐赠决定没有多大帮助。相反，它应该暗示您需要收集有关感知的常见原因和捐赠倾向的额外数据。例如，也许某人的工作会影响旁观者对其财富的看法以及他们捐赠的决定，而与他们的实际财富无关。将其作为预测变量将创建一个具有更多解释力的模型。

一般来说，这是一个实质性问题而不是统计问题，取决于您想要做出的推断类型。您的模型是否旨在在外部样本中进行最佳预测？它是为了解释结果的差异吗？它是否意味着代表预测结果之间的因果关系？如何建模以及应该在模型中包含哪些变量取决于这些问题的答案。