不行。
工具變量有一個不顯著不行。
通常一個變量不顯著，並不能表明該變量對結果變量沒有影響。不顯著只意味着數據沒有提供存在影響的證據，但這並不意味着這種效應不存在。
工具變量也稱爲儀器變量或輔助變量，是經濟學、計量經濟學、流行病學和相關學科中無法實現可控實驗的'時候，用於估計模型因果關係的方法。在迴歸模型中，當解釋變量與誤差項存在相關性（內生性問題），使用工具變量法能夠得到一致的估計量。
工具變量有一個不顯著行。好的工具變量一定是先在邏輯上行得通，然後通過檢驗。而且題主說的檢驗不知道是什麼檢驗，單個工具變量需要關注外生性、相關性兩個條件，多個工具變量還需要關注過度識別等問題。
因此，題主遇到的“加入工具變量後不顯著”的問題，可能有兩個原因：
不加入工具變量時，其他因素對被解釋變量的影響被錯誤的認爲是核心解釋變量的顯著作用，這種情況下需要邏輯上先判斷哪些因素會影響核心解釋變量，是否能控制都儘量控制住了，如果沒有，就有必要使用其他方法進行因果識別，例如工具變量法、傾向匹配法，如果是面板數據也要考慮更換方法
加入工具變量變得不顯著，有兩種情況，1）當工具變量選取的合適的時候，核心解釋變量對被解釋變量的因果關係被正確識別，可能這個關係就是不顯著的，工具邊框堵上了未觀測因素的“後門”；2）當工具變量選取的.不合適時，加入錯誤的工具邊框可能會扭曲因果關係，參考前文說的xu yiqing老師的文章。
當然，不能排除數據本身的問題，例如數據的強異質性，例如數據的極端值影響，上述分析的前提是在數據清洗到位、可以反映真實情況的基礎上的。
計量經濟學中，線性迴歸模型的本意是給定x值，然後預測（或估計）y的條件均值。在給定的x值下，y值可能忽高忽低（即y是隨機變量），其變化程度也可大可小（即y有方差），但其條件均值是可以通過迴歸方法來估計的。
至於y的條件方差，在只有一個固定的x值下是無法估計的（在重複測量樣本下也許可以做到，因爲這時有多個固定相同的x值），所以只好簡單地假設對於任何給定的x，y的條件方差都是一樣的（即同方差假設），此時纔可以通過多個樣本點來估計一個相同的方差，然後進行各種t檢驗、f檢驗。
通俗一點說，迴歸的思想就是先抓住x，然後觀察y將如何變化。比如說居民收入r與消費c，先抓住1000元收入水平的消費羣體
然後看他們將如何消費，c|1000是條件隨機變量（當然，實際數據中1000元水平的觀測可能只有一個）；
然後再抓住1500元收入水平的羣體，再看他們將如何消費，依次類推。一般來說，隨着收入增長，消費的條件均值將同步增長，此時迴歸關係成立。
但是，令我們苦惱的是，實際中很有可能是“無法抓住x”的，因爲x在變，y也在變，然後y的'變化又影響到了x，所以我們觀測到的結果，很有可能是x與y相互影響的結果；
通俗一點說，就是x已經與y糾纏到了一起，你哪裏還能辨清哪是x，哪是y？比如說收入與消費，可以說賺得多，花得也多，但錢花完了，又得想辦法去多賺點，這時收入與消費是相互影響的，你是無法"按住x"的。
因爲等你"按住x"了，去觀察y，y的變動回過頭來又造成了x的變化，你轉身一看，壞了，x已經不是原來那個x了，它已經變了！這個相互影響的過程，你是觀測不到的，你觀測到的只是結果。
所以在你觀測到實際數據的時候，x已經不是本來的x，x中混雜了y的信息。既然x已經不是本來意義上的x，你又如何去估計它對Y的真實影響？這就是我們通常所說的聯立性偏誤（simultaneity bias），即x與y是同時變動的。
這種情況下，x與迴歸模型的誤差項表現爲相關，違背了經典OLS(ordinary least square,普通最小二乘法)的假設。此時，你應該可以知道，你很難估計x對y的真實影響，即在經典迴歸假設下，估計出的迴歸係數是有偏的。這是造成內生性 Endogeneity 的情況之一。
還有可能是x在變，其他影響y的因素也在變（因爲除了x影響y外，也有其他因素在影響y），但這些因素你沒有納入模型的解釋變量中，此時x與迴歸模型的誤差項也表現爲相關（因爲遺漏因素的影響歸入了誤差項）。此時，你如何能辨清y的變化，有多少是x造成的，又有多少是“其他因素”造成的？於是估計再次陷入僵局。
這種情況的產生，需要兩個條件：一是x變化，其他因素也同時變化（x與其他因素相關），二是其他因素要能影響y（即其他因素要與y相關），這是造成內生性的情況之二。
