经管类实证论文，最常见的一个问题就是结果不理想，要么是p值不显著，要么是系数和预期方向不相符。遇到这种问题
举个栗子：
核心期刊A:研究直接融资对实体经济的影响
直接融资采用了“债权融资”+“股权融资”来衡量，实体经济直接采用了制造业的生产总值，然后附加了外商直接投资、财政支出、GDP、进出口等作为控制变量。
你的文章B：
思路1：要求比较低的学校，可以直接参考该研究方向与指标体系的建立，你需要做的就是更换或加长样本量的时间区间，并对控制变量增加与删除即可。（切记一定要在文中说明你增加时间区间，更改控制变量是有创新和研究意义的，最好能找到大牛文章的佐证，出师有名，放心你导师不敢喷你）
思路2：划定区域，期刊A研究全国，你研究某个省和某个区域，交代好书写背景。大部分人都会这么干，你必然会撞。别慌，你可以研究“股权融资”对实体经济的影响，接着更换制造业的衡量指标，增删选控制变量。同样交代好你的创新性和意义。
思路3：掌握上述2个思路，会有很多衍生变化供你选择。
直接上干货
二、堆样本量
该种方法比较适用于财务金融类的专业，当数据不显著的时候，加大样本量，随着样本量的增加，你会发现突然显著了。
三、堆控制变量
当你指标就选取了5个左右的时候，而且包括解释变量与被解释变量。这些指标量明显不够。你需要做的是加控制变量，你会发现控制变量越来越多后，慢慢前面的指标也显著了。这时你删除不显著的指标即可。
四、增删减指标
个人比较偏爱这种方法，首先固定住你的被解释变量，解释变量你选择3个左右不同的指标来衡量解释变量，控制变量选择5个以上，尽量多点。这个时候你可以实证了（切记样本量要充足）
思路1：第一种可能就是你的实证结果恰好解释变量对被解释变量显著，这个时候你只要留下显著的解释变量与控制变量（控制变量不显著也行，解释清楚就行）。这时候你只需要反向的回去书写，你为什么选择该指标来衡量解释变量，巴拉巴拉。高大上言之有理的理由，你看我选这个理由果然有道理，都是显著的。
思路2:3个解释变量对被解释变量都不显著，这个时候你只需要依次删除一个解释变量，再实证，多次重复。基本是能找到显著的解释变量的，然后和思路1中的后续一样，故技重施。
思路3：当思路1和2都不行的时候，你可以增删除控制变量，多次往复。
基本经历上述几次后都会显著，不要慌。
核心思想：
1、样本量充分、指标充分、多次排列组合切换指标实证，几次后就显著了。也免得你不显著又去重新找数据。
2、参考文献时，尤其是不知名期刊，我就不吐槽了，大概率你会发现你选择的指标和他的一毛一样，他显著你却不显著。原因自己想。如果你参考了，建议你在他的基础上多加几个变量指标，以防不显著还能增删指标调整显著性。
用大数据的思维去考察论文研究，并排除人为的因素。不论是研究方向的选取还是研究指标的选取，都是在研究无数个A与无数个B的关系，理论上你只需要穷尽这些可能必定会有显著的实证结果，并且有大的发现。论文真正难的是理论机制的研究
实证结果或数据分析结果不显著怎么办？
(1)选方程。同样的问题，有时会有不同的模型。某篇经典文献用的是A模型，另外一个大牛可能用的是B模型。倒底哪个模型更好，取决于你对模型背后理论的信念。如果你更认可A模型背后的理论，就用A模型;同理对B模型也是如此。而选择不同的模型时，得到的实证结果往往会存在差别。有时候差别仅仅体现在系数的大小上，而有时候差别体现在系数的显著性上。
(2)选变量。同一个财务变量，可能有多个指标能衡量。比如融资约束的度量，在文献经常出现的包括：公司规模、是否支付股利、产权性质、KZ指数、WW指数、信用评级、票据评级、利息偿付倍数、资产的可抵押能力、是否是集团公司等等。再比如掠夺风险的度量，包括：HHI、主营业务利润、价格-成本边际、超额价格-成本边际、勒纳指数、交叉弹性、熵指数、资本-劳动比偏离行业均值的绝对值、股票收益和行业组合收益的协方差、行业内最大四家企业的集中度等等。选择不同的指标衡量某个变量，得到的结果也存在差别。所以也可以采用这种思路来获得显著的结果。不过稳健性检验往往要求对某个无法精确度量的变量采取多种指标衡量，而且有时候还要检验这些指标的一致性(通过相关系数和交叉统计)。
(3)选样本。数据处理的过程包含了选择样本的过程。删除ST、PT公司，删除交叉上市的公司，删除IPO当年的数据，删除资不抵债的公司，对离群值进行Winsor处理。样本处理也是五花八门，值得细细琢磨一番。
(4)选方法。OLS、FE、GMM、3SLS、IV、Probit、DID，方法有很多，理论上可以改变不同的方法来做实证，但事实上每一种方法都有自己的限定条件和使用范围。所以选方法的可行性不太高。
上面所说的四种办法，其实更严格地来看，应该也是稳健性检验要做的工作
固定个体的回归结果是显著的，但是固定时间就变得不显著了，应该怎么办？
换个时间层面的交互固定效应咯
比如行业×年份 城市×年份 省份×年份
或者用时间趋势项，直接把时间丢进去当控制变量回归
实证论文因变量取对数后不显著?
理论上应该取对数。
因为不取对数，被解释变量的分布正态性不好，不符合实证模型的基本假设，可能会导致估计有偏。
出现这种情况，至少说明你的估计结果不稳健。
你需要检查：
各变量清洗是否正确。
xy相关性如何，能否从统计中得出直觉的相关性。没有控制变量，x对y回归结果是否显著。
xy的关系是否有理论支撑。
如果xy的关系有理论支撑，那么大概率是你数据清洗有问题。
论文做实证的时候只有一个变量显著怎么办？
如果在实证研究中只有一个变量显著，而其他变量不显著，可以考虑以下几个步骤：
重新审视理论框架： 检查你的理论框架，确保你的假设和模型设计是合理的。如果有必要，可以调整模型以更好地反映现实情况。
引入交互效应： 考虑是否存在变量之间的交互效应。通过引入适当的交互项，你可能能够捕捉到模型中未考虑的关键影响。
探索其他控制变量： 考虑是否有其他未考虑的控制变量可能影响你的因变量。添加新的控制变量可能有助于提高模型的解释力。
样本分割或子组分析： 考虑在样本中进行分割或子组分析，以了解不同子组之间的差异。这有助于识别可能在整体样本中不显著但在子组中显著的效应。
使用更复杂的模型： 考虑使用更复杂的模型，如非线性模型或机器学习算法，以更全面地捕捉变量之间的关系。
深入分析显著变量： 如果只有一个变量显著，深入分析这个变量，探索其在研究问题上的具体作用和解释。
检查数据质量： 确保数据质量，排除可能导致模型异常结果的数据问题。
转自蓝境数据微信公众号，仅作学习交流，如有侵权，请联系本站删除！
