這些訣竅講的是“如何進行實證研究”，而不僅僅是“如何寫實證論文”；但總的來看，“做”和“寫”的差别并不大。

實證研究中最重要的三點是什麼？是因果識别（identification）、因果識别、因果識别。務必闡明因果識别的策略（當然，首先要理解因果識别的策略是什麼）。許多實證研究可歸結為“A 導緻了B”，通常用某種回歸估計進行佐證。你要解釋你所看到的數據中的因果關系是如何被識别的。

1.要描述哪些經濟機制導緻了自變量（右邊變量）的差異。不過，上天賜給我們的真正的自然實驗是少之又少的。

2.要描述清楚殘差中包含了哪些經濟機制。除右邊變量（自變量）外，導緻左邊變量（因變量）變動的因素還有哪些？

3.因此，需要從經濟學的角度說明擾動項為何與右邊變量不相關。除非你做好了前面兩項，要不然你無法解釋清楚這一關鍵假設。

4.從經濟學的角度說明為何工具變量與右邊變量相關，但與擾動項不相關。

5.工具變量和控制變量之間的差異是什麼？将y 對x 回歸，何時z 應作為自變量加到右邊，何時z 應作為x 的工具變量？

6.對你所報告的每一個估計數字，要說明數據中哪些變量的差異導緻了估計結果。例如，加入固定效應之後，相應的解釋會截然不同。在回歸方程中加入公司固定效應後，每個公司内部的時變因素會影響回歸系數。若回歸方程中沒有加入公司固定效應，回歸系數往往取決于在某一時刻上各個公司之間的差異。

7.你确信你看到的是需求曲線，而不是供給曲線嗎？要想澄清這一問題，請自問“你在對誰的行為建模？”例如，你感興趣的是利率如何影響住房需求，并用新增貸款量對利率作回歸。但如果其他因素導緻住房需求變得很大時，住房抵押貸款需求（以及與住房抵押貸款需求相關的其它貸款需求）也會擡高利率。你的暗含假設是需求曲線是不變的，價格的提高會降低需求量。但數據可能是因為供給曲線不變而産生的，從而增加的需求會擡高價格，或者需求與價格交互攀升。你是在對房屋購買者的行為建模，還是在對儲蓄者的行為建模呢（儲蓄會如何對利率變動做出反應）？

8.你能肯定不會是y 導緻了x？或者z 同時導緻了y 和x？看看下面反向因果關系的例子吧。例如：前一個例子也是一種因果關系：究竟是利率變動導緻了住房需求的變動，還是住房需求的變動導緻了利率的變動呢（或者是整體宏觀經濟狀況同時導緻了利率和住房需求的變動）？

9.仔細斟酌自變量中應包括哪些變量，不應包括哪些變量。大多數論文中引入的自變量過多。大可不必把決定y 的所有因素都作為自變量。

a.R2較高通常是壞事—這意味着回歸方程是左腳的鞋子數量 = α β×右腳的鞋子數量 γ×價格 擾動項。右腳的鞋子數量不應該作為控制變量。

b.不要做這樣的回歸：工資 = a b×教育程度 c ×行業 擾動項。固然，加入行業變量是會提高R2，并且行業變量也是影響工資的重要因素(如果你做好了前述的第2 項，它應該在擾動項裡)，但教育的主要目的是幫助人們進入更好的行業，而不是從助理漢堡師傅擢升為首席漢堡師傅。

隻報告估計值和p 值是不夠的，要說明數據中導緻估計結果的事實或規律。Fama 和French1996 年的論文《多因子解釋》(Multifactor explanations)便是一個很好的例子。按照過去的文獻慣例，隻需要報告一個數字：GRS 檢驗。Fama 和French 展示了每個投資組合的期望收益和β值，并說服讀者相信期望收益的規律與β 值的規律相吻合。雖然GRS 檢驗糟糕透頂，但該文提出了近15 年來最成功的因子模型！他們之所以成功了，是因為他們揭示了數據背後的固有規律。

務必闡明結果的經濟上的重要性。除了說明核心數字統計上的顯著性外，還應闡明它們在經濟上的重要性。特别是對大型面闆數據集，即便是極小的經濟效應，在統計上也會顯著。（對于大型面闆數據集，若t 統計量為2.10，估計出來的效應确實非常微小！）

當然，每個重要的估計值都要報告其标準誤。