回归分析第28讲：一篇“站得住”的回归论文，至少要检查这 8 件事

本篇，是这个回归系列的最后一讲。总结了前面二十多讲的核心内容，并给出一份回归分析的检查清单。

在很多课程论文和实证研究中，大家往往把注意力放在回归表上，比如系数显不显著、p 值小不小、R² 高不高。

但真正决定一篇回归论文能不能站得住的，往往不在这些数字里，而在于一个更基础的问题：

• 这个模型，到底该不该信？

如果下面这 8 件事你都认真思考过一遍，那么你的回归结果，在逻辑上大概率是安全的。

【一】研究问题是否清楚？（别急着跑回归）

在开始回归分析之前，你是否已经想清楚：自己研究的是相关关系，还是因果关系？是在描述一种事实状态，还是试图检验某种作用机制？

如果研究问题本身就模糊，那么：

• 再复杂的模型
• 再显著的系数

也只是“很认真地在拟合”，而不是“结论站得住”。

【二】模型形式是否合理？（线性是不是被强行假设）

线性回归的前提，是关系大致线性。

你至少需要问自己：

• 变量之间是否可能存在非线性？
• 是否存在边际递减、阈值或拐点？

如果残差呈现明显结构性形态，那么问题往往不在“标准误”，而在模型设定本身。

【三】对数模型与交互项，是否被认真考虑过？

你需要认真考虑的，其实是两个问题：

• 比例关系是否应该用 log 来刻画？
• 不同群体、不同条件下的效应，是否可能存在系统性差异？

不加 log、不加交互项，很多时候不是因为“不需要”，而是因为没认真想过。

而“平均效应”，恰恰是最容易掩盖真实差异的地方。

【四】 控制变量加得对不对？有没有“控制错”

在加入控制变量时，最重要的是分清不同变量在机制中的位置：哪些只是干扰因素、需要控制；哪些实际上处在解释路径中，控制反而会截断效应；还有一些变量虽然“看起来合理”，但与因变量高度接近，需要格外警惕。

一句话：

• 控制变量不是越多越好，而是要控制“该控制的那一类”。

此外，如果两个控制变量“长得太像”，模型往往会陷入一种尴尬状态：

• 看起来什么都解释了，但谁也说不清谁真正起作用。

这种情况下，回归结果往往“看起来很完整”，但解释力反而变弱。

【五】残差是不是“白噪声”？（这是最重要的一步）

至少要检查三件事：

• 残差 vs 拟合值（异方差 / 非线性）
• QQ 图（正态性）
• 残差随时间或 ACF（自相关）

如果残差本身已经“有结构”，那么回归系数再漂亮，也只是表面现象。

还需要警惕的是：

• 有没有极少数观测值，在悄悄决定整个回归的方向？

【六】异方差、自相关，是否被妥善处理或说明？

这里不要求“消灭所有问题”，但至少要做到：

• 你知道问题在不在？
• 你有没有解释为什么这样处理？

比如使用稳健标准误、说明结果对不同设定不敏感。

问题本身并不可怕，不说明问题才可怕。

【七】是否存在内生性风险？结论有没有被“抬高”

这是最容易被忽略、但最致命的一步。

你至少要问自己：

• X 会不会反过来被 Y 影响？
• 有没有关键变量无法观测？
• 使用的是不是代理变量？

如果存在明显内生性风险，却直接下因果结论，那么这篇论文在逻辑上已经站不住。

【八】样本量与模型复杂度，是否匹配？

最后回到一个最朴素的问题：

• 样本量有多少？
• 自变量有几个？

当样本量有限，却估计了大量参数时，系数不稳、显著性不可复现，几乎是必然结果。

【九】小结：一张“回归自查清单”

一篇回归论文是否站得住，往往不取决于某一个系数是否显著，而在于是否系统地检查过上述这 8 个关键细节。

为便于回顾，将前文内容整理为一张回归分析的自查清单：

回归分析自查清单

检查项	关键问题	常见风险
研究问题	是相关，还是因果？	认真在做，但方向不对
模型形式	线性假设是否合理？	非线性被忽略
log / 交互项	是否存在比例或异质性？	平均效应掩盖差异
控制变量	有没有控制中介或近亲变量？	好心办坏事
残差结构	残差真的像白噪声吗？	模型设定可能有问题
异方差 / 自相关	是否识别并说明？	推断失真
内生性	是否存在反向因果或遗漏变量？	因果结论站不住
样本量	能撑起模型复杂度吗？	系数不稳