在模型中包含滞后因变量的决定实际上是一个理论问题。如果您预计 DV 的当前水平很大程度上取决于其过去的水平，那么包含滞后 DV 是有意义的。在这种情况下，不包括滞后 DV 将导致遗漏变量偏差，您的结果可能不可靠。在这种情况下，包括滞后的 DV，将消除您的大量方差，并可能使您的其他 DV 的影响不那么显着（这意味着使更小，标准误差更大）。但是，它允许您做的是说那些仍然影响您的结果的 IV 具有控制 DV 过去值的效果。另一种方法是使用您在时期$\beta$$t$和作为周期的 DV 。$t-1$$t$

然而，做任何这些都意味着回答一个重要的问题：对于您的 DV，正确的延迟结构是什么？您可以通过观察结果变量与不同滞后值自身之间的相关性（例如 Y 和 Y、Y 和 Y之间的相关性等）来获取有关此的一些信息。$t-1$$t-2$

推荐两篇文章：

1. Achen CH (2001) 为什么滞后因变量会抑制其他自变量的解释力（链接）
2. Keele, L. 和 Kelly NJ (2005) 动态理论的动态模型：滞后因变量的来龙去脉（链接）。

结果是包含滞后因变量会对其余变量的系数产生很大影响。有时这是合适的（对于 Keele 和 Kelly 的动态模型），有时则不合适。正如其他人所说，考虑建模的过程很重要。

包括滞后因变量可以减少由于模型错误指定而引起的自相关的发生。因此，考虑滞后因变量有助于您捍卫模型中自相关的存在。过去的价值影响模型中的现在，需要理论基础，并根据需要最好地拟合模型。

有人说，加入 LDV 会降低其他 IV 的系数。

更具体地说，使用包含 LDV 的OLS会使您的系数向下偏移。考虑模型 for with并且 s 是均值为零的同分布正态随机变量。的 OLS 估计量的偏差由给出（Kendall，1954）。这显然是一个问题，在合并 LDV 时不应直接应用 OLS，因为没有考虑这一点。$Y_t=\alpha + \lambda Y_{t-1} + U_t$$t=1,...,T$$-1<\lambda<1$$U_t$$\lambda$$-(1+3\lambda)/T$

问题的症结在于，包含 LDV 打破了 OLS 的核心假设：观察是独立的。我强烈建议阅读 Maeshiro (1996)，因为他提出了与您在此处提出的相同问题（并在某种程度上通过提供替代方法的选项来回答）。

参考：

1. Kendall, Maurice G. “关于自相关估计偏差的说明。” Biometrika 41.3-4（1954）：403-404。（链接）
2. 前城，浅志。“教授具有滞后因变量和自相关干扰的回归。” 经济教育杂志 27.1 (1996): 72-84。（链接）