ols怎么发表论文

1.导师篇可能在看到上段的文字以后，一些会产生这样一个感觉: 你和你师兄师姐的文章会发表的原因是因为你的导师好吧。事实上笔者很认同这一点，可以说如果我没有遇到两位恩师我的博士经历可能会完全不同。但是请诸位不要误解，我说导师好会使文章发表的几率大一些并不是简单的因为你把导师的名字放在你论文上来震慑审稿人（事实上编辑们的心理素质是很好的，而作者和审稿人也是双盲），而是由于好的导师会教给你很多有用的东西。我不知道广大经济博士同袍们多久见导师一次面，我三年里是平均一周见一次的。当然见导师不是为了讨论哪家馆子的水煮鱼味道正宗（这个可以留到课后讨论），勤见导师的一大好处是你总会有压力，这种压力会不断推动你在下次见导师前准备好向导师提新的问题，问题解决了你的进步就会快一些。导师关键在一个“导”字上面，导不是说帮你研究，而是解决你不懂的问题，当你走偏的时候导师要帮你扶正方向。举个例子，做实证的时候用哪一种计量模型是一个比较重要的问题，比如如果观测值不独立就需要用Cluster来校正OLS的标准误，如果是面板数据就要考虑是用random effect 还是fixed effect, 如果因变量有上下限就要考虑用Tobit模型，如果因变量离散且大于三个值就不能用logit 和probit而可以考虑用multinomial，如果观测值很少很少可以试一下非参检验等等。这时候导师的几句话就能使刚入门的博士生避免走很多的弯路。当然这里有一个大前提，那就是导师必须明白你提出问题的答案，或者至少能告诉你在哪里可以找到答案。我建议各位博士生一定要最大程度的争取与导师见面的机会。当然，你可能会问假如你的导师对你的研究漠不关心或者非常的忙根本没空理你怎么办呢？没关系，你还有另外一个导师——文献。2.立题篇研究的课题应该怎么找呢？首先说两种错误的方式: 首先一个错误的方式是抱着头自己想，头发都想掉了最后发现自己想出的问题爷爷辈儿的人都研究过了。说句实话，任何一个领域发展到今天，凡是你抱着头能想出来的经济问题基本上都能被前人研究了。第二个错误就是总想找一个很大的课题研究，整天琢磨着我要是能把股价预测出来就好了，这样我买股票就发了财了，问他怎么研究，除了甩别人听不懂的名词以外也说不出个所以然来。其实博士生要找研究课题最主要的方式是读文献。前人的研究是你的基础，你必须站在这些巨人的肩膀上才能走的更远一些。前人的研究是A，你的研究是B，B是从A得来的，没有A你不可能一下子蹦到B。文献怎么读？这其实是我刚读博士的时候问得最多的问题。问导师，导师反问我: 你读文献的目的是什么？一开始我觉得这是一句废话，读文献不就是看看前人研究什么了么？后来才慢慢的理解了导师的深意。目的是一个很需要明确的东西，比如在最开始找研究课题的时候，读文献的目的一是看看前人的研究究竟包含哪些方面有没有什么漏洞，这时候就不用精读所有的文章，只要把一个领域的经典文章细读一下，其它的扩展了解个大概就可以了。导师让我最初的做法是用文字写下每一篇文章的研究课题是什么，创新的地方在哪里，结论是什么，漏洞在哪。其实这里面前三部分都还好说，最令我为难的是找出漏洞在哪。我读硕士研究生的时候有一门课叫做"批判性思维"，练的就是这个，最开始应用起来也不是很容易，不过后来越来越顺利了，后来才知道导师其实是在训练我把自己摆在审稿人的角度来看文章。几周下来，脑子中对自己要研究的领域的研究成果已经差不多了解了，对这个领域中很热但是还没有解决的问题也了解个大概，这时候再找研究的课题就会简单很多。当然，找课题并不是读文献的唯一目的，有时候你不知道写作的框架，有时候你不知道数据应该用哪种计量模型分析，有时你不知道理论模型的假设，甚至有时候你不知道表格的格式，这些你都可以从文献中找到，而这些时候由于你的目的不同，读文献侧重的方面也不同。3.论文篇众所周知，发表SSCI一定要用英文写作。一些人说自己发表不了好的SSCI是由于英语不好的缘故，如果英语是母语的话我肯定能发SSCI。如果有人问我对这番言论的意见，说实话我也不知道英语是不是你发不出SSCI的主要原因。每个人都是不一样的，最简单的方法是拿你的一篇得意之作（哪怕花钱）找人翻译一下，然后投一下好的SSCI就一目了然了，如果投中了的话说明英语是你的问题，如果投不中的话说明你的问题就不仅仅在英语上。有人问我英语不好怎么办？练啊！要么你就找个英语好的翻译当你的第二作者吧。我在这里要说的写论文主要不是英语方面，而是你论文的角度，换句话说，就是你论文的卖点在哪里。就好比一个商人兜售自己的商品，角度对一篇论文来说至关重要。比如实证研究中很有可能你搜集的数据给你带来的结果五花八门，甚至与你期望的相反。这个时候你文章中下结论的时候就要分外小心，找到一个有意思的角度然后看看数据是否符合。举个例子，我师弟的一篇文章的原假设是: 人们对不确定风险下的乐透的期望值与上一轮乐透彩票的结果正相关，说白了就是你看到了别人中奖了以后就会觉得自己买彩票的中奖几率会大一些。结果他的数据结果却正好和他的假设相反，人们对不确定风险下的乐透的期望值与上一轮乐透彩票的结果负相关！师弟一开始就慌了，头发都开叉了。不过几次见导师以后，他最终在导师的帮助下找到了一个非常有意思的角度，用"赌徒谬误"解释了他所发现的现象。所以说，没有烂数据，只要你选对了一个角度，小心地得出结论，你的论文就很有可能增色不少，当然，你的数据一定要符合你选的角度，你不能明明数据不支持，你非要牵强的编一个故事，这样做唬外行可以，内行一眼就看穿了。4.润色篇终于在无数次撞墙打滚儿揪头发以后，论文完成了！那么是不是可以递交了呢？当然还不可以，首先找一个机构把你的论文变成工作论文（working paper），这样做的一个目的是为了防止学术不端的人剽窃你的成果，或者很巧有人研究的与你撞车了，还有一个目的是让别人能读到或者引用你的文章。在变成工作论文以后，你要把你的论文发给你认为是这个领域的专家，资深的学者。发的目的不是让别人赞扬你的论文如何如何的好，而是让他们给你的论文挑毛病。同时，你要抓住一切机会去各种相关会议去演讲（present）你的论文，学术演讲（presentation）的目的一个是为了让大家记住你，再一个是为了让你的听众挑你论文的毛病。有的人做学术演讲的时候生怕别人挑毛病，觉得很没面子，其实这是大错特错的。为什么呢？因为在你把论文递交给SSCI的期刊以后期刊编辑会找一到三个审稿人，这些审稿人会给你的文章大挑特挑毛病。如果毛病太多的话，编辑拒稿是一定的。与其如此，不如在审稿人看你文章之前就尽量把你论文中存在的问题，能修改的修改，不能修改的至少要用语言防御一下，而修改和防御的过程就是你文章润色的过程。当润色接近了尾声，准备投稿吧。5.投稿篇向SSCI期刊投稿大多是在网上就可以完成的，投稿的时候一般要写一封covering letter，wrod文档一页就行，简单的说一下你希望贵期刊发表你的文章。投稿结果的可能性从好到坏分几个等级:第一个等级期刊直接邀你写稿，写完后发表。不过这种情形是可遇不可求的，Junior拥有这样的机会不大；第二个等级是你向SSCI期刊投稿，期刊回复不需要修改就直接发表。这一般发生在letter类期刊，要么接受，要么拒绝。第三个等级是你向SSCI期刊投稿，期刊回复需要修改重新递交，这个叫做R&R （revise and resubmit），修改重新递交以后期刊发表。这个是发表成功可能性最大的结果。第四个等级同样是R&R，但是重新递交以后被拒。第五个等级是递稿后发给审稿人，经审稿后被拒。最后一个等级是不发给审稿人，编辑直接拒。你千万不要以为最后一个等级发生的概率很低，事实上如果你给一些非常好的期刊投稿，编辑是很有可能直接把你的文章否掉的，否掉的原因五花八门，可能是该期刊类似的文章太多了，可能是你写的文章的结论不是非常有趣等等等等。如果非要说直接拒绝有什么好处的话，唯一的好处就是处理的时间快，不会耽误你很长的时间。假如你通过了编辑这一关，那么无论发表与否，至少你能有机会获得审稿人的意见了。当然，获得的审稿意见可能是2个"差评"，在这种情况下编辑会礼貌的通知你另投别家吧（其实就是拒绝的意思），对于审稿人的意见你要认真读的，因为SSCI期刊的审稿人一般都是你论文领域的行家，给出的意见多少会有些建设性意义。如果两个审稿人都是"好评"，或者两个审稿人意见一好一坏，但是编辑这个时候认为可以再给你一次机会的话，那么恭喜你，你获得了修改重新递交的机会了！R&R（也就是修改重新递交）意味着什么呢？这意味着你在该期刊发表的概率大大的上升了。但是请诸君注意不要庆祝的太早，香槟什么的就不要准备了，概率大大上升并不代表着一定会最终发表，获得R&R最终被拒的情况也不在少数。审稿人和编辑提出的问题可能是非常难改动的，在这种情况下，一定要认真的读审稿意见的每一个字，推敲如何在重新递交了以后能使审稿人和编辑满意。修改之后要附上一个文字说明，罗列清楚针对审稿人和编辑的每一条意见你是如何做相应修改的。有人可能问，审稿人的每一条意见都要修改吗？答案应该肯定的，笔者只见过两位恩师中的一位有一次说审稿人的几条意见不好，因此他决定不改，我当时觉得老头子太狠了，后来那篇文章后来也发表了。而笔者和笔者的师兄姐们均未敢做出这种大胆的行为（当然，有胆儿大的同事这样做不过后来被拒了）。因此笔者认为做为Junior还是按照意见改动的好。修改完成以后就重新递交吧，这时候唯一能做的事就是听天由命，假如几周后你收到一封通知你你的文章被该期刊发表的邮件，恭喜你！大功告成了！此时你的pose应该是头微仰呈45度角，眼角湿润，如果嘴里能叨念出一句座右铭什么的就完美了......6.尾声写的很长，情节也不够跌宕起伏，相信能看到这里的人不会很多，不过假如有一个搞学术的新人在看到我的这篇文章有一些启示的话，也算是笔者没有白写。笔者曾见过很多学术上的牛人，有的太牛了甚至可以被称之为犇人。与之聊天，发现牛人最大的特点一是基本功特别扎实，二是思维特别活跃。说实话搞好学术不是一件容易的事，真正成为大牛天分的确是需要一些的，但是就在SSCI发表这一个小的方面来看，即使是一个悟性不是很高的人，假如他专心学术坚持不懈，除非永远不尝试，否则发表只是一个时间的问题。只是很可惜，专心学术坚持不懈这八个字说来简单，做到却并不容易。尤其对像与我一样的junior们来说，整天捧着文献读，坐在电脑前面踏踏实实写论文着实是需要一些毅力。无论如何，年轻是劣势，同样也是资本，正如我的恩师对我说的那样:你还年轻，假如你从现在开始一直专注一个领域，总有一天，你会在这个领域有所作为。

不知道下面的图能不能看清楚，是Andy Field 第三版教材 203 页解释回归/osl 的一个图。ols 全称ordinary least squares，是回归分析（regression analysis）最根本的一个形式（算是ordinary代表的意思），结合下面的图解释下lease 和 squares 这两个词。（抱歉我的统计是英文学的，所以有些地方可能中文对的不好）

最简单的回归模型（model，就是 IV，可以是一个或者多个）包括（1）一个自变量(independent variable，IV) (横轴）和（2）一个因变量 (dependent variable，DV) (纵轴)。下面散点图中的数据点是实际DV的值（observed value），图中的线就是预测模型。左图中的一条横线（表示IV和DV没有关系）是平均值模型，也是OSL/回归默认设定的零模型（zero model），也就是不含任何IV的情况下只用平均值可以如何预测DV。中间图中的斜线是IV模型，也就是需要验证的模型（图中的关系很明显是线性关系 linear relationship）。右图中的两条交叉线是IV模型和零模型的比较，看IV模型是否能够在统计上显著地比零模型更多预测DV。这就是osl的基本原理。

具体一点就要涉及上图下半部分的文字框和一点公式了。先说osl里的 “squares”。无论是左图零模型用平均值预测，还是中间图用IV预测，都是计算出每个数据点和那条线之间的距离，也就是预测值（predicted value）与实际值（observed value）的差距（即误差，error），运算上用减法表示。零模型里就是用每一个实际DV值减去平均值（左图标出的每一个点到平均线的距离），IV模型就是实际值减去IV预测的DV值。这样计算得出的差显然有正有负，如果直接加到一起就会互相抵消。所以，解决的方法就是把每一个差都平方后再加到一起，就是sum of squares（也叫variance，方差）。这就是osl里面 “square” 是的由来。左图下面文字框红色圈起来的“SSt” 表示全部可预测的方差（因为不含任何IV），total sum of squares，下标字母T是total的缩写。

下面说 osl 里的 “least”。中间图里的线是IV模型，这条线叫做 line of best fit，也就是所有线里面误差（residual，就是error）最小，即实际值和预测值距离最短的那条线。这就是”least“ 的由来。红色圈起来的“SSr”表示IV模型下最小的误差方差，residual sum of squares，下标字母R是residual（错误）的缩写。

把第三个散点图说完。两个预测模型的差（ SSt - SSr）的结果就是SSm，也就是IV模型预测的方差，model sum of squares。换句话说，就是全部可预测的方差，减去IV模型的误差，剩下的就是IV模型预测的方差。前面说要看两个模型的差异是否在统计上显著，就用SSm / SSr，看到这里可能就眼熟了。对，这就是方差分析（ANOVA，analysis of variance）里 F ratio 的公式。所以统计软件里做回归的时候看IV模型是否显著是要找那个标了ANOVA 的表格，看里面的F值是否显著。F值越大越可能显著，也就是分子SSm （“好”方差）越大SSr（“坏”方差）越小。

普通最小二乘法（OLS）方法的原理是：

利用最小二乘法可以简便地求得未知的数据，并使得所选择的回归模型应该使所有观察值的残差平方和达到最小。具体验证如下：

样本回归模型：

其中ei为样本（Xi,Yi）的误差。

平方损失函数：

则通过Q最小确定这条直线，即确定β0和β1，把它们看作是Q的函数，就变成了一个求极值的问题，可以通过求导数得到。求Q对两个待估参数的偏导数：

根据数学知识我们知道，函数的极值点为偏导为0的点。

解得：

这就是最小二乘法的解法，就是求得平方损失函数的极值点。

扩展资料

最小二乘法来源于19世纪意大利天文学家朱赛普·皮亚齐的一次发现，后由勒让德或高斯发明。

1801年，意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星。经过40天的跟踪观测后，由于谷神星运行至太阳背后，使得皮亚齐失去了谷神星的位置。随后全世界的科学家利用皮亚齐的观测数据开始寻找谷神星，但是根据大多数人计算的结果来寻找谷神星都没有结果。

时年24岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥尔伯斯根据高斯计算出来的轨道重新发现了谷神星。

高斯使用的最小二乘法的方法发表于1809年他的著作《天体运动论》中。

法国科学家勒让德于1806年独立发明“最小二乘法”，但因不为世人所知而默默无闻。

勒让德曾与高斯为谁最早创立最小二乘法原理发生争执。

1829年，高斯提供了最小二乘法的优化效果强于其他方法的证明，因此被称为高斯-马尔可夫定理。

参考资料来源：百度百科-最小二乘法

找到自己要投的方向，确定要投哪个期刊，或者哪一类的期刊。写好文章（也可以找编辑写），找编辑帮忙发表就行了。当然自己也可以投稿，不过通过的机会很小。如果需要帮助可以来跟我了解