别再信教科书套路！回归分析结果怎么写才对

千万不要直接按照教科书上的“模板式写法”来写回归分析结果！

很多大学生、研究生甚至刚入门的科研人员，在写回归分析结果的时候，总是抱着“教科书怎么写我就怎么写”的心态，先列出一堆系数、P值，再抄几句“变量X显著正向影响Y”的套话，最后附上一张密密麻麻的回归表格就算完事。但是这样的写法不但会使你的论文显得生硬空洞，还会因为逻辑断层、重点不清而被审稿人直接打回，连答辩环节都让导师皱眉头——回归分析的核心是解释问题，而不是罗列数据。

很多教科书里的回归分析案例，本质上是为了教学方便而刻意简化了研究背景、变量逻辑以及结果的解读，更像是“数学题答案”而不是“学术论证”。直接套用会踩到三个致命的雷区：

教科书案例一般为通用场景，例如“收入对消费的影响”，但是你的研究可能是“直播打赏金额对大学生消费意愿的调节作用”。照搬模板只会把回归结果写成冰冷的数字清单，完全没有说明这些数字与你的研究问题之间的关系，审稿人只会认为你是为了回归而回归。

教科书常常把P<0.05作为唯一的判断标准，但是学术研究中统计显著性并不等于实际意义。例如你发现每天多刷1分钟短视频，GPA下降0.001分，统计上显著，但是现实中这种影响微乎其微，根本不值得作为核心结论。如果只看P值来写，就会显得你对研究的现实意义没有判断力。

教科书式写法的典型结构是假设、回归表格、结论，中间缺少了为什么选择这个模型、控制变量是如何确定的、稳健性检验为什么用这种方法等重要的论证环节。审稿人看不到你的思考过程，只会质疑你的研究是否严谨，甚至怀疑数据造假。

为了使你迅速地看出两者之间的差别，我们整理出如下的对比表：

要写出高质量的回归分析结果，必须以服务研究问题为中心，按照模型说明、核心结果解读、异质性分析、稳健性验证的逻辑顺序展开，每一步都要体现出自己的思考。

回归分析不是拿到数据就跑OLS，选择模型的过程本身就是严谨性的体现。在展示结果之前，必须向读者说明三个问题，即：

• 如果研究的是线性关系，为什么选OLS而不是加权最小二乘法？
• 如果被解释变量是0-1的二元变量，为什么用Logit而不是Probit？
• 如果存在面板数据，为什么选择固定效应模型而不是随机效应？

举个例子：

本研究被解释变量“大学生创业意愿”为0-1二元变量，因此选择Logit模型进行回归分析；同时考虑到不同院校的创业支持政策存在差异，加入院校固定效应以控制不可观测的异质性影响。

不要只简单地列出X是收入、Y是消费，而应该说明变量的度量方式以及为什么这样选择，即

• 核心解释变量为什么用“月均生活费”而不是“家庭年收入”？
• 控制变量为什么加入“性别、年级”，而不是“身高、体重”？
• 有没有对变量进行标准化、取对数等处理？原因是什么？

如果样本中有剔除（剔除缺失值、异常值等），一定要说明筛选标准，即

本研究初始样本为某高校2020-2023级本科生共3200份问卷，剔除无效问卷（所有选项选同一个答案）和缺失关键变量的问卷之后，得到有效的样本为2876份，有效率为89.88%。

这部分是回归分析的核心，绝对不能只贴表格就完事。需要将枯燥的统计数字转化为可以支持研究假设的学术语言，主要从三个方面入手：

• 先看方向和显著性：核心变量的系数符号是否和假设一致？P值是否显著？比如假设“社交平台使用频率正向影响孤独感”，如果系数为正且P<0.01，就可以说明“假设得到验证”。
• 再看实际效应大小：不要只说“显著”，要说明这个效应的现实意义。例如OLS回归中，系数为0.3表示核心解释变量每增加1个单位，被解释变量平均增加0.3个单位；如果是Logit模型，需要计算边际效应，即核心变量每增加1个单位，被解释变量取1的概率增加5.2%。
• 结合研究背景解读：将结果与研究场景结合起来，例如“本研究发现，每周多参加1次社团活动，大学生的归属感得分平均提高0.23分，说明校园社交活动对缓解新生适应期孤独感有明显的作用，符合社会认同理论的预期”。

控制变量不需要一一详述，但是要突出那些显著的、有意义的变量。

控制变量中，年级的系数为0.18且显著，说明高年级学生的创业意愿显著高于低年级，这可能是因为高年级学生面临就业压力，更倾向于通过创业来实现职业发展；性别系数不显著，说明创业意愿在男女生之间没有明显差异。

R²（拟合优度）是很多人容易纠结的指标，但是不同的模型R²的意义是不一样的。

• OLS模型中，R²越高说明模型对数据的解释力越强，但是社科研究中R²达到0.2-0.3就已经不错，不需要追求过高；
• Logit/Probit模型中，一般用伪R²（Pseudo R²），但是这个指标的参考价值有限，主要还是看变量的显著性以及效应；
• 面板模型中，更多地关注固定效应是否显著，而不是整个模型的拟合度。

很多人写回归结果只做全样本分析，但是异质性分析才是体现研究深度的关键——它可以回答“这个结论在哪些群体中成立？哪些群体中不成立？”，使你的研究结论更加严谨、有针对性。

• 群体异质性：按性别、年龄、年级、地域等划分，例如“不同年级的大学生，社交平台使用对孤独感的影响是否有差异？”
• 情境异质性：按研究场景划分，例如“在一线城市和三四线城市，房价对生育率的影响是否不同？”
• 变量异质性：按核心变量的分组划分，例如“高强度使用社交平台和低强度使用的群体，影响效应是否有差异？”

• 先说明异质性分析的目的，即“为了进一步探究核心变量影响的边界条件，本文将样本分为新生组和高年级组进行分组回归”；
• 比较不同组的结果，即“新生组中社交平台使用频率的系数为0.42，P<0.01，高年级组的系数为0.15，不显著，说明社交平台使用对孤独感的正向影响只存在于新生群体中”；
• 解释差异的原因，即“新生刚到陌生的环境，线下社交还没有建立起来，过分依靠线上社交会加重孤独感；而高年级学生已经形成了稳定的线下社交圈，线上社交只是补充，所以影响不大”。

回归分析结果很容易受到模型设定、变量度量、样本选择等因素的影响，所以稳健性检验是必不可少的环节，它可以证明你的结果是可靠的，而不是偶然得到的。

• 替换模型：用OLS回归之后，再用固定效应模型或者随机效应模型重复回归；
• 替换变量度量方式：把核心变量由“月均消费额”改为“年消费总额”或者“消费支出占生活费的比例”；
• 改变样本范围：剔除极端值，或者用子样本重新回归；
• 工具变量法：如果存在内生性问题（双向因果、遗漏变量等），可以找到合适的工具变量来解决，例如用“互联网普及率”作为“社交平台使用频率”的工具变量。

• 说明验证的方法：为了检验核心结果是否稳健，本文用两种方式进行检验，第一种是将核心解释变量的度量方式由“使用频率”改为“每周社交平台使用时长”，第二种是采用固定效应模型重新回归；
• 展示验证结果：两种方法得到的核心变量系数均为正，在1%的水平上显著，效应大小与基准回归接近，说明本研究的核心结论是稳健的；
• 回应潜在质疑：如果验证中出现小的差异，要解释原因，比如“替换变量后系数略有下降，可能是因为使用时长比使用频率更能反映使用强度，但是整体方向和显著性没有变化，结论仍然成立”。

回归表格是结果的直观展示，但是很多人的表格不是密密麻麻看不清就是关键信息缺失。一张合格的回归表格要符合三个条件：

• 第一列是变量名称，把核心解释变量放在最前面，控制变量放在后面，最后是模型统计量（R²、样本量等）；
• 每一列代表一个回归模型，即基准回归、分组回归、稳健性回归等；
• 用*号标注显著性，即*p<0.1，p<0.05，*p<0.01，放在系数的右上角；
• 可以用不同的颜色或者加粗来标注核心变量的系数，使读者一眼就看到重点。

• 注释中要说明模型类型，例如“注：括号内为稳健标准误；*p<0.1，p<0.05，*p<0.01；模型1为基准OLS回归，模型2加入院校固定效应”；
• 如果有变量取对数、标准化等处理，在注释中说明；
• 如果是面板模型，说明是固定效应还是随机效应。

正文里提到的回归结果，在表格中必须找到对应的系数和显著性，例如“从表1的模型1可以看出，核心解释变量‘社团活动次数’的系数为0.23（p<0.01）”，使读者能够迅速找到。

很多统计软件（Stata、SPSS等）会自动输出很多统计指标，但是不需要把所有的指标都放在论文中，例如OLS回归中的F值、t值等，除非特别需要，否则只需要报告系数、标准误、显著性、R²和样本量即可。

回归分析可以发现变量之间的相关性，但是不能直接证明因果关系。如果你的研究目的是探究因果，一定要说明你如何解决内生性问题，比如用工具变量、双重差分法等，不能直接说“X导致Y”，而要说“X与Y显著相关，在控制了XX因素后，这种关系仍然成立，说明X可能对Y有因果影响”。

如果核心变量的系数突然变得不显著，或者符号与预期相反，那么就可能存在多重共线性。需要计算VIF值（方差膨胀因子），如果VIF>5，说明存在严重的多重共线性，需要合并变量、删除无关变量或者用主成分分析等方法解决，在论文中说明。

很多人做稳健性验证只是为了凑字数，随便换个模型就完事。真正的稳健性检验要针对研究中可能存在的漏洞进行，如果样本存在自选择问题，就用倾向得分匹配（PSM）来验证；如果核心变量有测量误差，就用工具变量法。

回归分析的写作不是简单的结果罗列，而应该形成一个完整的论证链条。每一部分之间要用过渡句衔接，例如“在验证了核心假设之后，本文又对这种影响的异质性进行了研究”、“为了保证结果的可靠性，本文做了如下稳健性检验”。

回归分析不是数字游戏，是学术论证的工具。教科书的写法只是入门的“操作手册”，真正的学术写作要跳出模板，围绕研究问题展开，从模型选择的依据、结果的逻辑解读、异质性的深度挖掘、稳健性的严谨验证等各方面来体现你的思考以及对研究的理解。

记住，审稿人看你的回归分析结果，并不是看你会不会跑回归，而是看你能不能用回归结果来回答你的研究问题。打破教科书的套路，用论证思维来写回归分析，你的论文才能从及格线走向优秀。