亲测有效：我是如何从0到1写出高质量回归分析结果报告的

去年研二上学期，我拿到导师扔给我的课题任务：用三年的区域制造业数据做影响因素分析，两周内出一份能用于中期答辩的回归分析结果报告。

那是我第一次独立做实证分析，在此之前只会跑Stata最基础的回归命令，连回归结果里各个指标代表什么都记不全。对着一屏幕回归输出的表格，我坐在电脑前完全不知道该从哪下手写报告。

当时我整理了一张「我遇到的核心问题清单」，现在翻出来还能感受到当时的焦虑：

那两周我天天泡在学院实验室，熬到凌晨一两点是常事，回宿舍路上连路灯都觉得晃眼。改到第三次的时候我甚至对着电脑哭了半小时——明明跑出来的结果都对，为什么就是写不出合格的报告？

后来跟着同课题组的博士师姐梳理了完整的写作逻辑，我花了三天重新整理，最后交出的报告不仅一次通过导师审核，还被导师当成了课题组低年级同学的写作范本。

今天把我从0到1走通的全过程整理出来，不管你是第一次写课程作业，还是要做毕业论文的实证部分，看完这篇就能直接上手。

最开始写的时候，我完全是想到什么写什么，踩了一堆新手典型的坑，现在想想真的都是浪费时间。

我第一次写报告，开头刚介绍完研究主题，第二页就直接贴上了回归结果表。导师给我批了一句话：“读者连你的变量是什么、数据从哪来都不知道，看什么结果？”

那时候我才明白，回归分析报告不是只放结果，核心是讲清楚“你为什么做这个回归、怎么做的、结果说明了什么”，回归结果只是整个论证过程的一环而已。

我第一次就是直接把Stata输出的界面截了个图贴进去，宽宽大大糊得要死，连标准误和系数都分不清。师姐看到直接给我打回来：“学术报告哪有直接截软件输出的？自己整理成规范三线表啊！”

而且我那时候什么指标都往表里塞，把模型卡方值、自由度这些没用的都放进去，整个表格挤得密密麻麻，完全找不到重点。

我当时写出来的解释全是这种：“就业规模系数为0.25，在1%水平上显著为正，说明就业规模对制造业升级有正向影响，假设1成立。”

导师批：“为什么会有正向影响？结合你的研究场景说清楚啊，只说结论不说原因，要你写报告干什么？”那时候我才懂，回归报告不是让你报结果，是要你解释结果背后的经济学/管理学意义，这才是报告的核心价值。

我第一次跑回归的时候，有一个核心解释变量的符号和我理论部分的预期完全相反，而且还显著。我那时候慌得要死，觉得是自己回归做错了，直接把这个结果藏起来，提都没提。

还是师姐点醒我：不符合预期的结果才更有价值啊！只要你的数据和模型没问题，反过来能帮你发现新的研究问题，反而比全是符合预期的结果更出彩。

我第一次的报告写完基准回归就直接写结论了，导师问我“你的结果可靠吗？有没有换模型、换变量验证过？”我当场懵住，原来除了主回归，还要做这么多额外的检验才能证明结果可信。

踩完所有坑之后，师姐帮我梳理了一个通用性极强的回归分析结果报告框架，不管你是做经济学、管理学、社会学还是公共卫生的实证研究，套这个框架都不会错。

很多新手一上来就放结果，这是最大的错误。在放回归结果之前，你必须给读者讲清楚四个基础问题：

1. 你的研究问题是什么？ 一句话说清楚你想验证什么假设，比如本文要验证“数字化转型对制造业企业利润率的影响”，一共提出了3个待检验的研究假设。

2. 变量怎么定义的？ 核心的被解释变量、核心解释变量、控制变量分别是什么，用的什么衡量方式，数据来源是哪里？最好在这里放一张变量定义表，清晰明了。

我当时做的变量定义表示例给大家参考：

3. 你用了什么模型？ 简单说明你选择的回归模型，比如因为我用的是30个省份10年的面板数据，所以选择双向固定效应模型，模型设定形式是什么样的，用什么软件估计的。

4. 数据预处理做了什么？ 有没有做缩尾处理？缺失值怎么处理的？有没有剔除异常样本？这些都要说明，证明你的数据是干净可靠的。

讲完研究设计，接下来第一个要放的就是描述性统计结果，不要直接跳去基准回归。

描述性统计表里只需要放每个变量的观测值、平均值、中位数、标准差、最小值、最大值就够了，不需要放别的。通过描述性统计你可以说明什么？比如可以说“核心解释变量数字基础设施建设的标准差达到0.82，说明不同省份之间数字基建水平差异较大，适合做影响因素分析”，这就是很合理的分析，不是干放表。

如果你的研究需要做相关性分析，接下来放核心变量的相关系数矩阵就可以，主要看核心解释变量和被解释变量的相关方向是不是和预期一致，多重共线性严不严重——一般VIF值小于10就说明不存在严重的多重共线性，这里说清楚就可以。

这部分是整个报告的核心，我当时花了最多的时间打磨，总结出来两个关键点：表格要规范，解释要有深度。

1. 必须用三线表，不要花里胡哨的边框，顶线、栏目线、底线三条线就够，这是学术报告的通用规范。

2. 核心信息不能缺，没用信息都删掉，规范的回归结果表需要包含这些内容：

• 每个解释变量的回归系数
• 标准误（放在系数下面的括号里，一定要标清楚是稳健标准误还是普通标准误）
• 显著性星号（一般p<0.1, p<0.05, p<0.01，在表注里说明清楚）
• 模型的R²（或者调整后R²）
• 样本量
• 如果是面板固定效应模型，还要说明是否控制了个体固定效应和时间固定效应

3. 不要直接截软件输出，自己整理成表格，现在Stata里也有`esttab`命令可以直接输出符合规范的三线表，导出到Word里调整一下大小就可以用，比截图好看一万倍。

我整理了一个规范的基准回归结果表示例放在这里，大家可以直接参考：

表2 数字化转型对制造业升级的基准回归结果

注：括号内为稳健标准误， p<0.01, p<0.05, * p<0.1

很多新手解释结果只会说“X系数显著为正，假设成立”，这样的报告肯定拿不了高分。好的解释要分三层说：

1. 先说核心解释变量的结果：先讲系数大小、显著性、符号，再结合你的研究主题解释为什么是这个结果。

比如我当时的解释是这样的：

从列(2)可以看到，核心解释变量数字基础设施建设的回归系数为0.215，在1%的统计水平上显著为正，这说明在控制了其他影响因素之后，地区数字基础设施水平每提高1个单位，当地制造业升级水平平均提高0.215个单位。这一结果符合我们之前的理论预期：数字基建能够降低企业的信息获取成本和交易成本，帮助制造业企业数字化转型，进而推动产业升级，因此本文的原假设1得到验证。

看到区别了吗？除了说结果，还要讲清楚“为什么会得出这个结果”，把回归结果和你前面的理论逻辑对应起来，这才是合格的解释。

2. 再说控制变量的结果，挑重要的说：不用每个控制变量都讲一堆，挑显著的、和现有研究结论不一样的说就可以。比如我当时的控制变量政府干预系数显著为负，我就补充了一句：“政府干预程度的系数显著为负，说明地方政府过度干预经济反而会抑制制造业升级，这和现有研究的结论一致”，一句话带过就可以。

3. 遇到不符合预期的结果，大方解释，不要藏：如果你的变量符号不对，但显著性很好，数据模型也没出错，反而可以深度分析：比如我当时有一个控制变量人力资本系数不显著，我就解释说“可能是因为我国家庭制造业还存在大量技能错配，高素质劳动力没有充分流入制造业，因此没有体现出显著的推动作用”，反而导师说我分析的很到位。

做完基准回归，一定要加这一部分，这是区分“课程作业报告”和“高质量学术报告”的关键。很多新手觉得我结果对了不就行了，做什么检验？但实际上，计量回归里很容易存在内生性问题（比如反向因果、遗漏变量），不做检验的结果根本不可信。

你不需要把所有检验都做一遍，选2-3种常用的就可以：

1. 更换变量衡量方式：比如原来你用产值衡量被解释变量，现在换成增加值衡量，重新跑回归，看结果是不是和基准回归一致。

2. 更换模型设定：原来用固定效应，现在换成随机效应或者GMM模型，看核心变量的符号和显著性有没有变。

3. 子样本回归：把你的样本分成东部、中部、西部子样本分别回归，看核心结果是不是仍然成立。

4. 工具变量法：如果有内生性问题，找一个合适的工具变量重新估计，这是最有说服力的内生性处理方法。

只要你的核心解释变量的符号、显著性和基准回归一致，就说明你的结果是稳健可靠的，把这部分结果放到报告里，整个报告的可信度一下子就上去了。

最后一部分就是总结你的回归结果，然后提出对应的建议。不要写太笼统的话，要结合你的研究结果来写：比如你得出数字基建显著推动制造业升级，那你的政策建议就可以说“应该加大中西部地区数字基础设施建设投入，缩小区域数字鸿沟，进一步释放数字经济对制造业升级的推动作用”，这样才是对应结果的有效建议。

整理完框架之后，我还摸索出来几个非常好用的工具和技巧，帮我省了好多时间，分享给大家：

1. Stata输出规范表格：用`esttab`命令：我之前一直手工做表格，一个表格要调半小时，后来学会`esttab`直接一键输出符合规范的三线表，直接复制到Word里就能用，命令代码给大家放在这，直接改名字就行：

eststo clear
eststo: reg y x1 x2 i.id, robust
eststo: xtreg y x1 x2 i.year, fe robust
esttab using "回归结果.rtf", se star(* 0.1 ** 0.05 *** 0.01) replace

2. 不会用命令也没关系：用Excel整理好再粘贴到Word，选「插入表格」-「设置边框」只保留上下三条线，非常快。

3. 显著性标记：用这个规则就不会错，统一用p<0.1, p<0.05, p<0.01，一定要在表注里说明，不要自己乱标。

1. 分模型列结果，放在同一个表里：比如你做了没加控制变量和加控制变量的两个模型，放在同一个表里对比，读者一眼就能看出差异，比分成两个表清晰太多。

2. 重要结果标粗突出：把核心解释变量的系数标粗，让审稿人一眼就能找到重点，我当时就是这么做的，导师说看起来非常清晰。

3. 先搭框架再填内容，不要上来就写：我最开始就是想到哪写到哪，结构乱得要死，后来我都是先把每个部分的标题列出来，把表格都做好，再一段一段写解释，效率高太多。

从最开始的崩溃到最后写出让导师满意的报告，我总结出来一个非常清晰的从0到1的流程，大家照着走就不会错：

1. 整理数据和回归结果，先把变量定义表、描述性统计表做好；

2. 把基准回归、稳健性检验的结果都整理成规范的三线表，全部插入到文档对应的位置；

3. 按照「研究设计→描述性统计→基准回归解释→稳健性检验→结论建议」的顺序逐段写内容；

4. 通读一遍，检查有没有错误：显著性标对了吗？符号和解释一致吗？表格对齐了吗？

我当时第三次改报告就是照着这个流程，一共花了三天就全部改完，交上去之后导师翻完一遍，抬头说“这才对嘛，早这么写不就完了”，那一瞬间我真的觉得之前熬的夜都值了。

其实写回归分析报告一点都不难，难的是你一开始就找不对方法，踩一堆没必要的坑。我最开始也觉得“我是不是没有做实证的天赋”，后来才发现，只是没人给我讲清楚，一份高质量的报告到底该按什么逻辑写，每个部分该放什么内容。

希望这篇我亲测走通的经验能帮到你，如果你现在正卡在写回归报告这一步，不如照着这个框架整理一下，相信你也能一次写出通过审核的高质量报告。