1.提出研究问题——具体（在a对b有何作用这一问题中，明确a/b各是什么）、有趣（why should 为care？）、新颖（研究新现象、使用新方法、新数据集）、可行（通过查文献看他人是否有类似的研究或大致数据是否可得） 2.文献回顾 cnki/jstor/econlit....百度、google…… 3.建立理论模型 具体来说，回归分析一般只能说明变量之间的相关性，要对变量之间的因果关系作出判断常常需要依赖于经济理论。因此，即使无法提供完整的理论模型，也应该进行一定的理论分析。最理想的情形是，从理论模型中推导出计量模型，即待估计的回归方程。 4.收集数据 如果使用别人的数据，要注意其数据是如何定义、计算的（统计口径），是否与你的理论模型中的变量相对应。 5.使用适当的计量方法。 比如，被解释变量为二元变量，则可以使用probit或者logit；如果是非负整数，则可以使用泊松回归；如果是面板数据，则可以考虑固定效应、随机效应、时间效应、动态面板等；如果是时间序列，则应先判断是否含单位根（如果样本容量太小，比如小于20，则可以不进行单位根检验，因为单位根是大样本检验），再决定使用相应的计量方法。 对于一般的数据，通常先做OLS，看看结果，作为一个参照系。做完OLS后，可以画残差图（residual plot），大致看看扰动项是否符合经典嘉定，然后进行严格的检验。如果有所违背（比如，存在异方差、自相关），则作相应的处理。对于时间序列，还可以检验是否存在结构变动（邹检验）。另外，应该对数据的质量进行检验，判断是否存在多重共线性、极端值、弱工具变量等，并作相应的调整。 对于回归函数的具体形式，可以考虑线性、对数（如果解释变量只取正数且有指数增长趋势）、双对数、非线性（边际效应不是常数）等。 由于受数据可获得性的限制，遗漏变量几乎不可避免。因此，很有必要在实证论文中对此进行讨论。不外乎两种情况。第一，存在遗漏变量，但与解释变量不相关（需要说明为什么不相关），故可以不作处理。第二，存在遗漏变量，且与解释变量相关，则必须进行处理，处理方法包括增加控制变量、寻找代理变量、使用工具变量、使用面板数据等。 另一常见问题是内生解释变量。此时，一般需要找到有效的工具变量才能得到一致的估计。由于面板数据可以在一定程度上客服遗漏变量问题，故比横截面数据或时间序列更有说服力。因此，如果可以获得面板数据，则应尽力争取。 大多数的实证论文都希望说明x对y的因果作用。而从回归分析的相关关系得到因果关系，是一个很大的飞跃。引言——文献回顾——理论框架——计量模型——数据说明——计量方法——回归结果——结论
太阳的路
