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
- 数据来源与版本(数据库名称、年份、访问日期)。
- 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。
- 剔除标准及理由(金融业、ST 公司、资不抵债、关键变量缺失)。
- 缩尾处理:在 1% 与 99% 分位,还是 5% 与 95%?说明理由。
- 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)。
- 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。
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。