研究生必备：回归分析结果怎么写？一篇就讲透

如果你是正在赶毕业论文初稿、被导师打回回归分析部分重写，或是小论文返修要补充实证结果的研究生，这篇文章就是专门为你写的。

你是不是也遇到过这些糟心事：

• SPSS/Stata跑完回归，出了一大串结果，不知道哪些该放、哪些该删，放多了导师说你啰嗦，放少了又说逻辑不完整；
• 按网上的模板抄了结果，导师说你“只放表不分析，凑字数”，要么就是“分析没抓住重点，看不出研究问题的结论”；
• 核心变量结果不显著，不知道怎么写才能不被审稿人质疑，难道只能硬改数据？
• 同样是回归分析，实证章写出来总比别人浅，拿不到盲审高分？

作为已经带过三个学弟学妹改完实证、帮师姐拿到校优秀论文的过来人，我把研究生写回归分析结果的规范、技巧、避坑方法全整理在这篇保姆级指南里，看完就能直接套用，通过率拉满。

很多同学刚跑完回归就急着码字，结果写出来东一块西一块，逻辑乱得被导师打回。其实研究生阶段的回归分析结果，遵循固定的写作顺序，我整理了标准的结构顺序和每个部分的核心作用，你直接对照就行：

接下来我们逐个模块拆解，告诉你每个部分怎么写、哪些坑不能踩。

很多同学会跳过这部分，直接放表说结果，这是非常常见的错误。回归分析是“验证假设”的过程，你得先告诉读者，你这个回归是用来验证什么的。

这部分写作记住两个要点：

1. 先交代模型形式：写出你设定的回归方程，说明每个变量是什么。比如：“本文为验证假设H1：企业数字化转型显著提升企业创新绩效，构建基准回归模型如下：

$Innovation_{i,t} = \alpha_0 + \alpha_1Digital_{i,t} + \alpha_2Controls_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}$

其中，被解释变量$Innovation_{i,t}$为i企业t年的创新绩效，核心解释变量$Digital_{i,t}$为i企业t年的数字化转型程度，$Controls$为一系列控制变量，$\mu_i$为个体固定效应，$\lambda_t$为时间固定效应，$\varepsilon_{i,t}$为随机扰动项。”

2. 再对应研究假设：明确告诉你的读者，接下来的回归要验证哪个假设，核心变量系数的预期符号是什么，让读者带着预期看结果，逻辑非常清晰。

描述性统计是回归分析的第一步，一般把所有变量的样本量、均值、中位数、标准差、最小值、最大值整理成表，然后做文字分析。

这部分不要只说“XX变量的均值是多少，标准差是多少”，要结合你的研究问题分析。举个正确的例子：

本文描述性统计结果如表1所示。可以看到，企业创新绩效（专利申请总量）的均值为3.21，标准差达到4.17，最小值为0，最大值为12.35，说明不同企业之间的创新绩效差异较大，符合我国企业创新发展不均衡的现状，适合进一步做影响因素分析。核心解释变量数字化转型的均值为1.34，说明当前样本企业的数字化转型整体还处于较低水平，仍有较大提升空间。所有变量的分布都在合理范围内，不存在极端异常值，可进行后续回归分析。

几个常见坑一定要避开：

❌ 错误1：只罗列数字，不做任何分析，等于白写；

❌ 错误2：把所有变量的描述挨个说一遍，太啰嗦，重点讲核心变量就行，控制变量一句话带过；

❌ 错误3：发现异常值不处理直接写，导师一看就知道你不会做数据清洗。

相关性分析一般放在基准回归之前，核心作用有两个：一是初步看核心解释变量和被解释变量的关系，是不是符合你的假设预期；二是看变量之间的相关系数，判断有没有严重的多重共线性。

相关性分析的写法可以参考这个模板：

本文各变量的Pearson相关性分析结果如表2所示。可以看到，核心解释变量数字化转型与企业创新绩效的相关系数为0.312，且在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，与本文研究假设H1的预期一致。

从相关系数大小来看，所有变量之间的相关系数绝对值均小于0.7，其中最大的相关系数为两个控制变量之间的0.621，说明不存在严重的多重共线性问题，可以进行后续的基准回归分析。

记住：如果你的相关系数超过0.7，一定要提前做多重共线性检验（比如VIF检验），在这一部分说明VIF值都小于10，不存在严重共线性，不然审稿人后面一定会质疑你的结果。

基准回归是整个回归结果的核心，也是导师和审稿人最关注的部分，很多同学写出来要么就是只报系数显著性，不结合研究问题分析，要么就是扯太远找不到重点，这里给你一套万能写作逻辑：

先告诉读者你用了什么方法回归，模型整体是不是显著，给结果定调：

本文基准回归采用逐步回归法，依次加入核心解释变量和控制变量，并控制个体固定效应和时间固定效应，回归结果如表3所示。从模型整体显著性来看，所有模型的F值均在1%的水平上显著，调整后的R²在0.32-0.41之间，说明模型设定合理，对被解释变量的解释力符合经济学研究的常规水平。

基准回归一定要优先讲核心解释变量，再讲控制变量，不要颠倒顺序：

1. 核心变量的分析模板：先讲系数符号、显著性，再对应假设，最后结合实际解释经济意义：

从核心解释变量来看，无论是否加入控制变量，数字化转型（Digital）的回归系数均在1%的水平上显著为正，当模型加入所有控制变量和双向固定效应后，回归系数为0.187，说明在控制其他因素不变的情况下，企业数字化转型程度每提升1个单位，企业创新绩效平均提升0.187个单位，验证了本文的研究假设H1。这一结果说明，数字化转型能够通过降低企业信息沟通成本、提升研发效率，推动企业创新产出增加，和当前数字经济背景下企业转型升级的实际情况一致。

2. 控制变量的分析技巧：不需要每个控制变量都详细讲，挑几个和研究问题相关、显著的重点说，不显著的一句话带过就行，不然会显得核心不突出：

从控制变量来看，企业规模（Size）的回归系数在5%的水平上显著为正，说明规模越大的企业创新产出越高，因为大企业拥有更多的研发资金和人才投入，符合现有研究的结论；企业年龄（Age）的回归系数显著为正，说明成立时间越久的企业创新能力越强，积累的技术资源更多；资产负债率（Lev）的回归系数不显著，说明负债水平对企业创新绩效没有显著的影响，其余控制变量的回归结果与现有研究基本一致，此处不再赘述。

很多同学遇到核心变量结果不显著，第一反应就是改数据，其实只要写法对，不显著也能写出价值，给你两个正确的思路：

1. 如果你的假设是显著，结果不显著：可以说明“当前样本下，核心变量对被解释变量没有显著影响，可能的原因是XXXX（比如样本量较小、效应还未显现、存在异质性，分样本后才会显著），这一结果也说明XXX效应并不是绝对的，需要进一步分析”；

2. 如果结果符号和你预期相反：不要隐瞒，客观说明结果，分析原因：“本文核心变量系数显著为负，和初始预期相反，可能的原因是XXXX（比如XX变量的‘挤出效应’大于‘促进效应’，样本选择偏误，存在反向因果），后续会通过XXX进一步验证”。

刻意隐瞒结果、强行解释反而会让审稿人怀疑你的学术态度，客观分析反而能体现你的思考深度。

现在不管是毕业论文还是小论文，都要求做稳健性检验，很多同学放了一堆表，不知道怎么分析，其实只要说清楚“你做了什么检验，结果和基准回归有没有差异，说明什么结论”就行。

常见的稳健性检验和对应的写法如下：

写稳健性检验的时候不要每个检验都抄一遍模板，重复说一样的话，你可以先总起，再分说，最后总结，比如：

为了验证基准回归结论的可靠性，本文从五个方面进行稳健性检验，结果如表4所示：第一，替换被解释变量...；第二，替换核心解释变量...；第三...；第四...；第五...。可以看到，所有稳健性检验中，核心解释变量的符号和显著性均未发生实质性改变，说明本文基准回归得到的“数字化转型促进企业创新”的结论是稳健可靠的，不受变量测量方法、样本选择、模型设定的影响。

异质性分析是体现你研究深度的部分，很多同学不知道怎么分析，其实就是看你的核心效应在不同组是不是不一样，常见的异质性可以分三类：

1. 按样本属性分组：比如企业分国有企业/民营企业，地区分东部/中西部，行业分高技术/传统行业；

2. 按时间分组：比如分政策实施前/实施后；

3. 按特征分组：比如分大规模企业/中小微企业。

异质性分析的写作也有模板：

上文分析证明了数字化转型对企业创新的平均促进效应，但是不同特征的企业之间可能存在差异，本文按照企业产权性质将样本分为国有企业和民营企业两组，分别进行回归，结果如表5所示。

从回归结果可以看到，民营企业组中，数字化转型的回归系数为0.241，在1%的水平上显著；国有企业组中，回归系数为0.092，仅在10%的水平上显著，说明数字化转型对企业创新的促进效应在民营企业中更显著。出现这一差异的原因在于，民营企业的激励机制更灵活，对市场变化的反应更快，能够更好地将数字化技术应用于研发创新，而国有企业体制机制灵活性较差，数字化转型的创新效应没有得到充分发挥，这一异质性结果也符合我国企业发展的实际情况。

这样分析既有结果，又有原因解释，比只放表不说原因高级太多。

做实证研究绕不开内生性问题，常见的内生性来源有：反向因果（比如创新能力强的企业更愿意做数字化转型，不是转型促进创新，而是创新促进转型）、遗漏变量、测量误差。

如果是普通毕业论文，最简单的方法就是用工具变量法，写作的时候说清楚：

本文基准回归可能存在反向因果导致的内生性问题：创新能力越强的企业，往往有更多的资源投入数字化转型，导致核心解释变量内生。为了解决这一问题，本文借鉴现有研究，采用“城市层面互联网宽带用户数”作为数字化转型的工具变量，进行两阶段最小二乘回归，结果如表6所示。

第一阶段回归结果显示，工具变量的回归系数显著为正，F值大于10，说明不存在弱工具变量问题；第二阶段回归结果显示，核心解释变量的系数仍在1%的水平上显著为正，和基准回归结果一致，说明在解决内生性问题后，本文的核心结论仍然成立。

如果你实在找不到工具变量，也可以用滞后一期核心解释变量回归，或者PSM匹配，都可以解决一部分内生性问题，写出来总比不写强，导师一看就知道你懂实证规范。

我整理了改了几十篇实证文章看到的最常见错误，你写完对照检查，能避开90%的问题：

很多同学偷懒，放一堆表，然后一句“结果如上表所示”就完事了，这是绝对不行的。表格是结果呈现，文字分析是你对结果的解读，审稿人要看的是你的分析，不是自己看表，你不分析，导师直接打回重写。

很多同学写回归，控制变量挨个分析，每个都说半天，核心变量只写一句话，结果整个部分重点完全歪了。记住：核心变量是你研究的主角，一定要放在最前面，详细分析，控制变量是配角，挑重点说就行。

刚才也说了，结果不对不要强行解释，比如你的核心变量不显著，你非要写“这个结果符合我们的预期”，审稿人一眼就能看出来你瞎扯，反而扣分。不如客观说明，分析可能的原因，体现你的学术诚实，反而加分。

不同学校对表格格式有要求，但通用的规范一定要记住：显著性星号要标对（一般*p<0.1, p<0.05, *p<0.01），要在表注里说明星号对应的显著性水平，所有数字的小数点位数要对齐，变量名要清晰，不要把软件跑出来的默认变量名直接放上去，一定要改成中文清晰标注。

给你举个规范的表格例子（以基准回归为例）：

表3 基准回归结果

很多同学觉得放的表越多越厚实，其实不对，没用的结果放上去反而显得你不会筛选信息。比如你做了五个稳健性检验，放五个小表放在一个大图里就行，不用每个占一页，那些试错的、不相关的回归结果，不要放进论文里，只放支持你结论、关键的结果就行。

如果你现在急着交稿，对照这个checklist检查一遍，确保不会出大问题：

• [ ] 结构符合我们开头给的顺序，逻辑清晰，没有乱序；
• [ ] 核心变量的符号、显著性讲清楚了，对应了你的研究假设，有经济意义解释；
• [ ] 多重共线性、异方差这些基础问题都说明了，做了检验；
• [ ] 至少做了2-3个稳健性检验，证明结果可靠；
• [ ] 表格格式规范，星号标对了，表注清晰；
• [ ] 结果和假设不一致的地方，已经做了合理的原因分析，没有强行解释。

其实回归分析结果写作，本质就是“讲好一个故事”：你提出了什么问题，用什么方法验证，得到了什么结论，这个结论是不是可靠，有没有差异，把这个逻辑顺下来，就是一篇合格的回归分析结果。

不用去羡慕别人写得好，照着这个模板套，你也能写出让导师满意、盲审拿高分的回归分析，赶完这篇deadline，你就能顺顺利利毕业啦。