医学论文发表 lunwen88.com

把论文写对,比把论文写完更重要42 篇方法 / 60 条术语 / 6 张速查表 / 5 个工具

公告学习创新思维模式,开拓创新思路
经济论文

数据与变量:从数据库到可用样本

一篇实证论文有一半时间花在清洗数据上。这部分工作写不进正文,却决定了结论可不可信。

2026.11.10 进阶 约 3 分钟 数据 / 变量 / 清洗

审稿人判断一篇实证论文是否可靠,往往先看样本构造那一段。如果只写「剔除缺失值与异常值后得到 8,432 个观测」,他会立刻怀疑:剔除标准是什么?剔除前后结论是否一致?

一、样本构造要写清的六件事

  1. 数据来源与版本(数据库名称、年份、访问日期)。
  2. 初始样本量与筛选步骤,逐步给出剩余观测数,建议做成流程图。
  3. 剔除标准及理由(金融业、ST 公司、资不抵债、关键变量缺失)。
  4. 缩尾处理:在 1% 与 99% 分位,还是 5% 与 95%?说明理由。
  5. 行业与年份的固定效应层级(证监会门类还是制造业二位码)。
  6. 最终样本的分布特征:行业数、年份跨度、观测数。

二、变量定义的三个层次

层次要写什么常见问题
概念定义这个变量在理论上指什么把「创新能力」直接等同于研发投入
操作定义用哪个字段、怎么计算公式缺失,无法复现
数据来源来自哪张表、哪一年多个数据库拼接未说明口径差异

三、被解释变量的选择陷阱

同一个概念常有多种度量。以企业绩效为例,总资产收益率(ROA)、净资产收益率(ROE)、托宾 Q 各有不同含义:ROA 反映经营效率,ROE 受杠杆影响,托宾 Q 反映市场预期。选哪个取决于理论机制,不能因为「跑出来显著」就换指标。稳健性检验里可以换,但主回归必须事先定好。

避坑

如果换一个被解释变量的度量,结论就翻转,说明结果不稳健。这种情况应当在论文中如实报告,而不是只报显著的那一版。

四、控制变量不是越多越好

控制变量过多会带来两个问题:一是与核心解释变量高度相关,导致系数被吸收;二是「坏控制」——本身是处理的结果变量,控制它反而引入偏误。判断标准是:这个变量在时间上是否早于处理?在机制上是否位于处理与结局之间?

  • 公司层面常控:规模、资产负债率、盈利能力、成长性、现金流、股权集中度。
  • 地区层面常控:经济发展水平、产业结构、人口密度。
  • 固定效应已吸收的不必重复放入(如年份固定效应吸收了宏观冲击)。

五、数据清洗的可复现做法

保留一份原始数据只读,所有清洗步骤写成脚本,从原始数据到分析样本一条命令跑通。变量命名统一(小写+下划线),每个变量在代码里写一行注释说明来源。这样做的直接好处是:审稿人要求补充样本时,你能在十分钟内给出新结果。

数据缺失严重怎么办?
先判断缺失机制:完全随机缺失可直接删除;非随机缺失要用多重插补或 Heckman 类方法,并在稳健性部分比较不同处理下的结果。
可以用国家统计局数据做微观研究吗?
宏观数据不能直接推微观结论,否则是生态谬误。若只有宏观数据,就把研究问题调整为地区或行业层面。
把这篇的方法用起来

投稿前用「论文结构自检表」过一遍,再用「投稿时间倒排」算清还来不来得及。

结构自检表