回归分析结果怎么写？避开这几个误区轻松搞定

做过实证研究的同学应该都有过这种经历：跑了几十组回归，模型显著性也不错，系数符号也符合预期，但一坐到电脑前写回归分析结果，就半天挤不出来一个字——要么不知道该从什么顺序写，要么只会抄系数，要么漏了关键信息导致审稿人质疑，一篇几千字的论文卡一个星期都写不完结果部分。

其实写回归分析结果是有固定逻辑和步骤的，只要掌握了正确的框架，避开常见误区，哪怕是第一次做实证分析的本科生，也能在1-2小时内写出规范清晰的回归结果。本文整理了从描述性统计到稳健性检验的完整写作步骤，还整理了学生最容易踩的8个误区，跟着一步步写就可以了。

很多同学写出来的回归结果混乱不堪，核心问题是没搞懂实证论文的结果部分应该按什么逻辑排布。正规实证论文的回归分析结果，一定是从浅到深、从基础到进阶的，我们整理了标准顺序，你可以直接套用：

接下来我们就一步步拆解，每个部分该写什么，该注意什么，怎么操作。

描述性统计是回归分析的第一步，相当于给你的数据“拍个全家福”，读者第一眼就能知道你的变量是什么、样本量多少、取值范围是什么样的。

1. 打开你的计量软件（以Stata为例，SPSS操作逻辑一致）：

输入命令 `sum 变量名1 变量名2 变量名3, detail` ，回车之后就会得到每个变量的观测数、均值、中位数、标准差、最小值、最大值。

如果你用Python做分析，调用`df.describe()`就可以直接导出结果。

2. 接下来，把结果整理成标准三线表，表格第一列是变量名称，然后依次放观测数、均值、中位数、标准差、最小值、最大值。

3. 写作描述性统计的文字说明：

这里不需要太复杂，核心说清楚两个点：

• 说明样本量和核心变量的整体情况：比如“本次研究共获取了2013-2022年中国A股上市公司的12568个观测样本，对所有连续变量进行了1%的缩尾处理以避免极端值影响，描述性统计结果如下表所示”。
• 重点解释核心解释变量和被解释变量的特征：比如“被解释变量企业创新的均值为2.36，标准差为1.78，说明不同企业之间的创新投入水平差异较大，符合我们的研究预期；核心解释变量数字化转型的均值为0.82，说明样本中约82%的企业已经开展了不同程度的数字化转型，和当前我国企业数字化转型的现实情况一致”。

❌ 误区1：不放观测数，很多同学只放均值标准差，漏了观测数，读者根本不知道你每个变量有多少样本，这是非常基础的错误。

❌ 误区2：不说明数据处理过程，比如有没有缩尾、有没有剔除缺失值、怎么对分类变量编码，这些不说清楚，结果就是不透明的。

这里有个小技巧：如果你有很多控制变量，不用每个控制变量都一一解释，只要说“其余控制变量的分布均在合理范围之内，没有极端异常值影响后续回归”就可以了。

相关性分析是在回归之前初步验证你的核心假设，同时提前告诉读者你的变量不存在严重的多重共线性问题，打消审稿人的疑虑。

1. 在Stata中输入命令 `corr 变量名列表, star( 0.1 0.05 0.01)` ，回车就能得到带显著性星标的相关系数矩阵。

2. 整理表格的时候，如果变量不多，可以放完整的矩阵；如果变量超过10个，只放核心变量（被解释变量、核心解释变量）和主要控制变量的相关系数就行，不用放完整的大矩阵。

3. 文字说明分两部分写：

第一部分说核心变量的相关性方向：比如“表2汇报了主要变量的Pearson相关系数结果，核心解释变量数字化转型和被解释变量企业创新的相关系数为0.24，在1%的水平上显著为正，初步说明数字化转型能够促进企业创新，和本文的核心研究假设一致”。

第二部分说明多重共线性情况：比如“所有变量之间的相关系数绝对值都小于0.7，只有少数控制变量之间的相关系数超过0.5，后续我们进一步报告了方差膨胀因子（VIF），所有VIF值均小于5，说明不存在严重的多重共线性问题，不会影响回归结果的稳定性”。

❌ 误区3：只放系数不说共线性，多重共线性是实证分析最常见的问题之一，你主动说明，就能提前避开这个质疑，比审稿人问起来再补好得多。

❌ 误区4：把相关性当因果说，这里一定要注意，相关性只是初步验证，你只能说“初步支持研究假设”，绝对不能说“证明了假设”，因果关系要靠回归之后才能说。

基准回归是整篇论文的核心，所有研究假设都在这里验证，这部分也是最容易写乱的地方，只要记住一个逻辑：先看整体，再看核心，最后说控制变量。

1. 先跑基准回归，如果你是做面板固定效应，Stata命令是 `xtreg 被解释变量 核心解释变量 控制变量 i.year i.industry, fe r` ，跑完之后把结果整理成三线表，表格要包含：核心解释变量系数、控制变量系数、标准误（放在系数括号里）、R²、样本量、固定效应控制情况。

2. 文字写作按这个顺序来：

第一步：说明模型设定和整体显著性：比如“本文首先检验数字化转型对企业创新的影响，基准回归采用双向固定效应模型，控制了年份固定效应和行业固定效应，回归结果如下表3所示”。

第二步：讲核心解释变量的结果，这是你要花最多篇幅说的：

要把系数、显著性、经济含义、和假设的关系都说清楚，比如“从表3可以看到，核心解释变量数字化转型的回归系数为0.123，在1%的统计水平上显著为正，说明在控制了其他影响企业创新的因素之后，企业数字化转型程度每提升1个单位，企业创新产出平均提升12.3%，本文的核心研究假设H1得到验证”。

👉 这里一定要记住：必须解释系数的经济含义，不能只说“系数显著为正，假设成立”，很多同学只会抄系数，不解释经济意义，这是很大的扣分项。

第三步：说控制变量的结果：不用每个控制变量都解释，挑几个重要的说，剩下的一笔带过就行。比如“控制变量方面，企业规模的系数在1%水平上显著为正，说明规模越大的企业创新投入越高，符合现有研究的结论；资产负债率的系数显著为负，说明负债越高的企业创新投入越低，和预期一致；其余控制变量的结果也和现有文献基本一致，此处不再赘述”。

❌ 误区5：核心变量不显著硬洗，很多同学跑出来核心变量不显著，就硬说“接近显著”“符号符合预期就算支持”，这是绝对不行的，如果不显著，要如实报告，分析为什么不显著，是不是数据问题，是不是模型错了，存不存在异质性，硬洗只会让审稿人反感。

❌ 误区6：所有控制变量都详细解释，把表格里所有控制变量的系数都抄一遍，凑字数不说，还显得你抓不住重点，只要说重要的几个，剩下的一句话带过就够了。

上图为CSSCI期刊常用的基准回归结果格式，你可以参考这个格式整理

异质性分析是提升你论文深度的关键，同样的一个核心关系，在不同的样本里肯定不一样，把这个差异说清楚，研究内容就丰满了很多，绝大部分期刊都非常喜欢异质性分析。

1. 首先你要根据研究主题确定分样本的依据，常见的异质性划分有三种：

• 按企业/研究对象特征划分：比如分为国有企业和民营企业，大型企业和中小型企业；
• 按时间划分：比如分为政策冲击前和政策冲击后；
• 按地区划分：比如分为东部地区和中西部地区。

2. 操作上，你可以用两种方法：一种是分样本回归，Stata命令是 `xtreg 被解释变量 核心解释变量 控制变量 i.year i.industry if 分组变量==1, fe r` ，然后再跑一次分组变量==2的；另一种是加入交互项，核心是看交互项的系数显著性。

3. 写作怎么写？记住这个逻辑：先列结果，再解释差异，最后说这个差异说明了什么。比如：

接下来本文进一步分析数字化转型对企业创新的异质性影响，按照企业所有制性质将样本分为国有企业和民营企业两组，分组回归结果如表4所示。

从结果可以看到，在民营企业样本中，数字化转型的系数为0.187，在1%水平上显著为正；而在国有企业样本中，系数为0.042，且不显著。这说明数字化转型对企业创新的促进作用主要体现在民营企业中，国有企业因为创新激励不足、组织僵化等问题，数字化转型并没有显著带动创新产出提升，这一异质性结果符合我们的理论预期。

❌ 误区7：异质性分组没有理论依据，随便找个变量就分组，结果出来也不解释为什么会有这个差异，只是说“XX组显著，XX组不显著”，这样的异质性分析是没有意义的，一定要从理论逻辑出发，提前说清楚你为什么要做这个分组，预期会有什么差异，再放结果。

做完异质性，如果你想进一步提升论文的质量，就要做机制检验，回答“核心解释变量为什么会影响被解释变量”，也就是打开黑箱，说清楚传导路径。

目前常用的机制检验有两种，写法也略有不同：

1. 逐步回归法（中介效应）：

第一步跑Y对X的基准回归（已经做完了），第二步跑M对X的回归，第三步跑Y对X和M的回归，写作的时候：

上文已经验证了数字化转型能够促进企业创新，接下来本文进一步检验其作用机制，理论分析指出，数字化转型会通过降低企业信息不对称程度提升创新产出，因此我们用分析师关注度衡量信息不对称程度，进行中介效应检验，结果如表5所示。

列(2)的结果显示，数字化转型对分析师关注度的系数显著为正，说明数字化转型确实能够提升企业信息透明度，降低信息不对称；列(3)的结果显示，加入中介变量之后，数字化转型的系数依然显著为正，分析师关注度的系数也显著为正，说明信息不对称是数字化转型促进企业创新的中介变量，本文的机制假设H2a得到验证。

2. 调节效应法：

调节效应是看X对Y的影响会不会受到M的影响，操作就是在基准回归里加入X和M的交互项，看交互项的系数，写作的时候：

本文进一步检验产权性质对数字化转型创新效应的调节作用，在基准模型中加入数字化转型和国有企业虚拟变量的交互项，回归结果如表6所示。可以看到，交互项的系数在5%水平上显著为负，说明国有企业性质显著抑制了数字化转型对创新的促进作用，和本文异质性部分的结论一致，调节效应假设成立。

这里有个小技巧：不管你用哪种方法，机制检验的表格一定要和基准回归格式保持一致，控制变量和固定效应都不要变，这样结果才有可比性。

做实证研究绕不开内生性问题，如果你投核心期刊，内生性是必须处理的，哪怕是本科毕业论文，主动处理内生性也会让你的论文加分很多。

常见的内生性来源有三个：遗漏变量、反向因果、测量误差，最常用的解决方法是工具变量法，写作的时候：

1. 先说明你为什么要处理内生性：比如“上述基准回归结果可能存在内生性问题：一方面，创新能力更强的企业本身就更有资金和能力开展数字化转型，存在反向因果问题；另一方面，尽管我们控制了一系列企业层面特征和固定效应，仍然可能存在不可观测的遗漏变量影响回归结果，因此本文采用工具变量法缓解内生性问题”。

2. 然后说明你的工具变量是什么，为什么符合工具变量的要求：比如“本文参考现有文献的做法，采用企业所在城市的互联网宽带用户数作为数字化转型的工具变量，该变量满足相关性：宽带用户数越多说明当地数字基础设施越好，越有利于企业开展数字化转型，满足相关性；同时城市层面的宽带用户数不会直接影响单个企业的创新产出，满足外生性要求”。

3. 然后放结果说结论：比如“工具变量法的回归结果如表7所示，第一阶段回归中，工具变量的系数在1%水平上显著为正，F值大于10，排除了弱工具变量问题；第二阶段回归中，数字化转型的系数仍然在1%水平上显著为正，说明在缓解内生性问题之后，本文的核心结论仍然成立”。

如果你的数据没有办法找工具变量，也可以用固定效应+滞后核心解释变量的方法，把核心解释变量滞后1-3期再回归，写作的时候说“本文将核心解释变量滞后三期回归，缓解反向因果问题，结果依然稳健”，也是可以接受的。

稳健性检验的目的就是告诉读者：我的结论不是偶然得到的，不管你怎么换方法、换变量、换样本，我的结论都成立，这样结论的可信度就大大提高了。

常见的稳健性检验有5种，你做个2-3种就够了，写作都非常简单：

1. 替换核心变量：换一个衡量被解释变量或者核心解释变量的指标，再跑一次回归：比如“本文替换被解释变量，用专利申请总数衡量企业创新，重新回归，结果如表8列(1)所示，核心解释变量的系数仍然显著为正，结论不变”。

2. 更换模型方法：如果你原来用的是固定效应，换成混合OLS或者随机效应再做一次：比如“本文更换回归模型，采用随机效应模型重新估计，核心结论没有发生变化”。

3. 剔除特殊样本：比如剔除直辖市的样本，剔除ST企业，剔除缺失严重的年份：比如“本文剔除2020年及之后新冠疫情期间的样本，重新回归，结果仍然稳健，说明结论不受新冠疫情冲击的影响”。

4. 更换标准误聚类层级：原来聚类到企业层面，换成聚类到行业或者省份层面：比如“本文将标准误聚类到省份层面重新估计，核心系数的显著性没有变化，结论仍然成立”。

5. placebo检验（安慰剂检验）：如果是DID模型，或者工具变量模型，可以做安慰剂检验，随机分配核心解释变量再回归，看系数是不是还显著：比如“本文通过1000次随机分配核心解释变量进行安慰剂检验，随机回归得到的系数均值接近0，和基准回归的系数有显著差异，说明本文的基准结果不是偶然得到的，结论稳健”。

写作的时候，你只要把每种检验的做法说清楚，然后说“核心结论仍然成立”就可以了，不用太复杂，把结果放在表格里就行。

我们整理了学生写回归分析结果最常踩的8个坑，你可以对照检查自己有没有中招：

2. ❌ 星标标注错误：不同显著性水平的星标要标注清楚，一般p<0.1, p<0.05, p<0.01，一定要在表格下方注明，星标标错了会让审稿人觉得你不认真。

3. ❌ 不报告关键统计量：漏了R²、样本量、固定效应控制情况，这些是判断模型好坏的关键信息，一定要放在表格里。

4. ❌ 过度解释不显著的结果：核心变量不显著的时候，不要硬洗，如实报告，分析原因，反而会让审稿人觉得你客观。

5. ❌ 因果颠倒表述：相关性阶段就说“证明了X影响Y”，一定要记住，只有基准回归+内生性处理之后，才能说结论支持因果假设。

6. ❌ 结果和理论脱节：所有回归结果出来之后，都要对应你之前提出的理论假设，不能放完结果就不管了，一定要说结果和你的假设是不是一致，为什么一致。

7. ❌ 结果重复表述：把表格里的系数一字不差抄到文字里，完全没必要，文字是解释结果的含义，不是抄表格，只要说核心系数的显著性和符号，解释经济意义就可以了。

8. ❌ 稳健性检验乱做：不管做什么稳健性，都不说为什么做，只是堆结果，你做的每一个检验都是为了打消某一种疑虑，要简单说一下你为什么做这个检验，比如“为了避免核心变量测量误差影响结果，本文替换核心解释变量重新回归”。

写完之后，你可以按照这个清单检查一遍，所有点都做到了，就是一篇合格的回归分析结果：

✅ 描述性统计有观测数，说明了数据处理过程

✅ 相关性分析说了共线性情况，没有把相关性当因果

✅ 基准报告说了核心系数的显著性、符号、经济含义，对应了研究假设

✅ 异质性分析有理论依据，解释了差异的原因

✅ 内生性处理说明了内生性来源，工具变量说了外生性和合理性

✅ 稳健性检验做了至少2种，核心结论没有变化

✅ 所有结果都整理成三线表，标注清楚显著性和标准误，有样本量和R²

✅ 避开了上面说的8个常见误区

其实写回归分析结果一点都不难，核心就是逻辑清晰，从浅到深，如实报告，该说的说到，不该凑的字数不凑，按照上面的步骤一步步来，哪怕是第一次写实证论文，也能轻松搞定。