模型、變量與方法
明確模型的因變量Y和自變量X分別是什麼，數據結構類型是橫截面還是面板，以便確定具體的研究方法。研究方法的確定一般根據因變量Y的類型來。如橫截面數據，因變量Y是連續性變量，一般用多元線性迴歸；因變量類型是類別變量，那就用logit模型或probit模型。
必要的數據清洗工作
做數據的描述性統計分析看看數據是否存在缺漏值，結合箱圖進一步判斷數據是否存在極端異常值（異方差問題），做做變量間的相關分析矩陣看看變量間相關程度如何（提防多重共線性）。如果存在這些基本問題，需做相應的處理；不存在，繼續往下。
模型的構建與檢驗
模型隱含的假設條件是什麼？這些條件在研究中哪些是滿足的，哪些是不滿足的？還是以橫截面數據的多元線性迴歸為例，學過計量的人都知道，多元線性迴歸要得到無偏一致的估計量，要滿足高斯馬爾科夫定理設定的幾個條件。可逐一對應自己構建的模型，看看條件是否滿足。滿足了繼續往下，不滿足則要做一些必要的檢驗了。如：
1.異方差問題
2.自變量間嚴重的多重共線性問題
3.內生性問題（模型穩健性的檢驗）
其實，很多實證研究出問題就出在這一大點上。因為很多人沒系統的學過計量經濟學，通常拿到數據不做基本的清洗工作，把X，Y帶入模型，就直接跑出結果完事了。然而，計量模型的建構遠沒有想象中那麼簡單。需要注意很多細節的東西。
模型結果的呈現和解讀
迴歸結果要報道哪些檢驗統計量，表格要如何製作，能否直接將軟件跑出來的結果直接整體輸出，怎麼將表格製作的簡單易懂，又能儘可能的展現出迴歸結果的精華，等等。這些都是一些很細節的東西，可在實證研究過程中不斷提升改進的。
其實，計量要解決的本質層面的東西本來就沒有多複雜。只是一個研究，要解決的小問題多了，而有些小問題我們沒接觸過，不知道怎麼處理，這就變得複雜了。所以，綜合而言，系統的學習一下計量的理論知識和軟件實現就顯得非常有必要了。不過，有一點應當引起注意，計量始終是實現研究目標的手段，雖缺少不可，但一篇好文章更重要的可能還是idea的產生過程（即廣泛的閱讀文獻和思考）。一篇文章，計量方法可能有多種，這些方法各自有各自的優劣。在沒有明顯錯誤的情況下，我想雜誌主編更多的還是看文章的idea的
。 閱讀更多 達晉醫學 的文章
