如何写实证研究论文内容资料

要交代明白。无论记人记事，还是写景状物，一般都要交代明白时间、地点、人物、起因、经过、结果。否则文章就不完整。第二，线索清楚。虽然观察的角度、记述的方式可以不同，但每一篇文章都应当有一条关联材料、统贯全篇的中心线索，否则文章就会松散。第三，人称要一致。无论用第一人称“我”记述，还是用第三人称“他”记述，都要通篇一贯。第四，要有条理。一篇好的论文，最重要的就是条理。乱七八糟的文章，就算是字字珠玑、妙语连珠也不受青睐。

1、提出假设。提出两个或多个变量间的因果关系，不是随便提出的，那这个假设模型该如何提出，不是随便建立的，而是根据前人的研究总结优化出来的，需要根据一些定性的变量转化为定量的指标来说明问题。同时变量间还要进行相关性的分析。

2、搜集变量指标的数据。这个往往涉及搜集资料的能力，这种一般难以学来，更多的需要靠自己花时间摸索。如果是通过问卷建立的指标，那主要就通过李克特量表等进行量化转化，进而搜集到样本数据。如果搜集公司的某些账目数据就需要通过大量搜集整体，基本每个方向，每个点，能否有指标数据，是否需要自己建立指标标准都需要考量。

3、进行数学归纳。这里主要就是考察数据间的相关性，这个是我们初高中有一种基础的线性回归关系中就已经涉及到，通过描点找到一条趋势线，进而通过趋势线求导公式，而这个公式中的变量系数就是相应的回归关系。而这个目前有大量的数据软件，常见如Excel、Spss、Stata、Origin、Eview等。

注意事项：

论文写作中其他应注意的问题。论文的写作是建立在他人已有研究基础上的，肯定涉及他人的观点、资料（包括外文资料），但引用时均应注明出处，切忌抄袭。

论文不要写成说明材料或教科书，而应有自己的观点，因为论文是给导师以及这个领域内的专家看的；也不要将论文写成领导报告或政策建议，论文的重点在于其创新之处。

关于实证论文怎么写如下：

前奏

实证的文章首先要有数据，没有数据一切都是虚构。所以，先把数据处理好。处理数据分两个基本步骤，第一为数据清理；第二为数据计算。这里没有统一的标准应当如何处理数据，但有一个基本要求就是做好识别。

技巧是，要么你借用比较成熟的理论模型，由理论模型到计量模型。这样不会有太大的偏差。如果是自己构建计量模型，那么要自己严格按照统计和计量要求做，对模型的假设前提与限制有全面准确的理解。

研究问题

假设所有模型构建、数据分析、稳健性检验都完成了，这个时候你要动笔写论文。在这个阶段，你要做的第一件事情是搞清楚自己在研究什么问题！

其实，确认研究问题应该在处理数据之前，否则你很难想象连问题都不知道，你如何处理庞大的原始数据。我之所以把数据处理放在确定问题之前，主要是基于现实的情况。

方法论

当你有了实证结果又确认了自己的研究问题是不是就万事俱备了呢？不，至少，在这个阶段，你还不能动笔写论文。

你必须要明白，论文的成功不仅仅依靠“完美”的实证结果！任何实证结果都像是大厨做出的菜，一位厨艺高超的师傅可以用普通原料烹制出美味佳肴。所以，“完美”的结果有时候只能蒙外行，却不能欺审稿人。

这里，我强调逻辑推理与阐述问题时的语言流畅性。不要小看这两个问题，用什么样的叙事结构去组织文章很大程度上决定了文章的档次。

在论文主体部分，应当注意，问题的提出和解决必须严格按照逻辑顺序，要有写“小说”的心态，做好铺垫，突出重点，善于总结。时时刻刻注意论文的走向，并且确保读者（甚至是外行）可以通过你的引导轻松抓住文章的重点要点（即使他们未必理解所有经济学术语和计量方法）。

提纲与计划

在解决了数据、论题、方法论之后，你可以开始制定计划。这种计划不是那种空而无物的标题式提纲，必须在每一个段落明确写作目的，明确所用模型（或其他方法）的假设与限制，明确写作的要点。

完成计划初稿后，不要动笔。两天之后修改计划。再两天之后交给其他人修改。一周之后自己再修改，与导师（或者其他有经验的同行）商议定稿。

写作与发表

接下来，按照提纲扩充论文，具体步骤将在下一段中详细展开。论文完成之后，不要立刻修改。等两周，等自己把一些固有想法淡忘之后再复读论文进行第一次修稿。将第二稿给同事修改，返回后再次修改。

严格地说，在大修改之后，应该再次做报告以确认修改是成功有效的。隔一段日子，对论文重新进行修改，定稿。一般论文从初稿写作完成到投递刊物应该有3-6个月。

投递之后，如果通过初审那么一般会要求作者再次修改（一次就刊发的稿子很少很少），那么接下来就是漫长的修改与等待了。

细节与步骤

一般实证论文分为：摘要、引言、理论框架、实证部分、总结五大部分，其中实证部分可以分为数据描述、实证模型、实证结果、稳健性检验。

最后写作摘要和引言，这是惯例。一般应该先写作理论框架，随后可以确定方法，然后解释模型的设定和数据情况，最后报告结果与稳健性结论。

尾声

实证性文章的结果是报告参数，但其实这些参数的具体值并不重要。这话也许很矛盾，既然我们的工作是围绕着参数进行的，为什么具体值又不重要呢？

第一，这些参数解决不了实际问题。它们不是圆周率的pai值，也不是物理中的g值。就算你计算出了一个很重要的参数，又能如何呢？

第二，参数的解读可以帮助我们理解经济学问题或者现象。从这个角度说， 解读比数字本身重要。

第三，由于国别（或者地区）差异，很多参数并不具备普遍性，也很难真正解释世界。不能夸大参数的作用。为了达到某种效果，无限夸大参数估计的力量，会使很多人迷失方向。