讨论主题内容：实证论文中的常见问题

经济学论文大致可以分为三类：纯理论的论文，纯实证的论文以及理论和实证相结合的论文。以上大都从纯实证的角度讨论。事实上，理论和实证相结合的论文在国内比较好的期刊也较为流行，但多数文献存在一些问题：
1.理论模型的构建问题：一些学术论文的理论模型基本是借鉴国外学者的研究思路，有些直接照搬，有些稍作修改，但是理论模型的存在一个关键的问题。即模型假设问题，任何理论模型乃至任何模型都基于一定的假设之上，而这些假设本身是否合理，假设是否符合国内情况，稍作修改的假设是否有意义、有必要，这些是需要严加考虑的。
2.数据匹配问题：大多数模型都是从微观的角度来构建，而实证分析时却使用宏观数据。微观的变量在宏观上能够一一对应，也就是说理论模型中所涉及的解释变量和被解释变量在现实中能否找到合理的“替代变量”是一个必须要斟酌的问题。我们从许多此类论文中会发现，如果把理论模型去掉，剩下部分依然可以成文，那么理论模型的必要性在哪？这就违反了奥卡姆剃刀的原则。
3.结果的理论解释问题.经济学重在解释。计量分析得到的结果如果没有相应的经济学解释，文章将会大大折扣，事实上，学术论文写作也同样遵循2-8法则，模型的构建，计量模型处理在一篇文章中所占的重要性比重可能占据20%，尽管花费时间可能较多。一篇好文章要具有较强的可读性，而文字的表述可能是其重要体现之一，占据文章的80%左右。
总之，理论模型和实证变量要匹配，计量结果和经济解释要对应。

来晚了，看前面不少坛友对实证论文的问题做了很好的分析，我也来谈谈自己的体会。

“不断的利用理论分析、文献综诉，就算把你论文的主题吹得天花乱坠，别人一样会质疑你论文的可信度；实证分析以反映基存经济现象的数据出发，通过软件分析出结果，进而验证所得分析结果是与经济理论经济现象相符还是相悖，能大大提高论文的可信度和质量”，这是刚开始接触计量经济学时教授讲的，当时不懂他在说什么，现在对这点深有体会。

还记得自己第一次写实证类论文的时候，按照大多数相关论文的模式，ADF检验-协整方程-VAR模型-IMPURS RESPONSE函数-分散分解，纠结了很久，但还是一步步如期完成，结果虽然不算特别理想但是还算过得去，所以自信满满拿给导师（在国外上学，导师比较严谨的）看，结果是被一顿狠批。之所以被批，不是因为结果出得不理想，是因为导师觉得我完全是没有下工夫去思考自己的论文应该用什么模型、应该怎样写，而是直接套用人家的东西，为了出结果而出结果。最后经过反复修改，那篇论文根本没用VAR模型，只用到了很简单的一般最小二乘法GLS，但是不得不承认，无论是和论文内容的相容性，还是出来的实证结果，都比之前那个我自认为不错的结果好很多，可以更好的进行理论阐述。这就是我想说的第一点，搞学术并非“拼”学术，一味地按照别人的模式做，很有可能做出来的结果不伦不类，不仅影响自己的分析判断，也会让本该大放异彩的论文变得平平一般。

另外一点是在我看了不少国内核心期刊论文和硕博论文后的体会。现在国内（当然，国外也有不少这种情况）绝大多数计量分析类论文都是照搬国外的模型，改了下分析对象分析数据，然后出来了一篇篇的实证论文。其实这也算正常，毕竟每篇论文都用到一个新的模型也是不可能的，资源稀缺性嘛。但是既然模型上没办法做到创新，我们可以在论文选题上、分析对象上下工夫创新啊。个人看了不少金融类论文，不夸张的说，VAR模型和VECM模型在金融这块儿是被用烂了的，随便抓出来10篇至少有7篇都用到了这两个模型。姑且不论金融方面还有KMV、ARCH等不少模型可以用的问题，这些论文的选题更是大有跟风之嫌。如果一篇论文写到“中国银行贷款率对xx的影响”，那么马上会有“xx省银行贷款率对xx的影响”、“xx地区银行贷款率对xx的影响”、“中国银行贷款率对xx的影响--利用X个省的实证数据”等诸如此类的。虽然中国地域宽广并且地区间差异性较大，可能针对不同地区会出现不同的分析结果，但是就我所看的论文而言，大多数出来的分析结果相差无几。这样的论文，当然不可能称其为优秀的学术论文，甚至严格意义上不能称其为学术成果，因为大有学术不端之嫌（不说了，扯远了，这么严重的问题不是一两句能说清楚的）。总之，论文创新是多方面的，尤其是实证类论文。要想写出优秀的实证论文，创新必不可少，在哪个方面怎么创新，就是我们每个人应该思考的问题了。

实证研究是用数据来说明看具体的例子和理论基础的结论是否一致或者是属于理论中的哪一类，所以数据的真实性和选择合适的模型很重要

前几天去参加一个论坛，主题发言的老师提到，现在的经济类学生在还没有弄清楚变量间的理论逻辑时便开始找数据，做模型，做实证，最后的结果是一篇文章完全成了一些数字的堆积，缺乏理论基础。自己在写文章的过程中也存在着这样的问题，现在经济类的文章过分的强调数理模型，而忽略了内在的理论逻辑，这也是一种无奈。尤其对我们这些经济类的博士生来说，有毕业指标要求，急于求成，一味追求模型。希望自己以后有所改进……

在做实证过程中，我们首先遇到的当然是模型选择的问题，对于那些计量出生的同学来说，更加偏向于复杂的模型，因为他们有比较深厚的编程功底，但经常会出现这样的问题，原本可以用一个非常的模型来解释的问题，却选择了一个非常复杂的模型，也就是说为了做模型而做模型，这往往就得不偿失了。对于那些非计量出生的同学来说，更加偏向于基础化的模型，因为更容易计算结果。其次就是变量选取的问题，涉及到了变量的相关性，变量选取的准确性等等。在一个就是数据问题，数据是否缺漏，是否异常，样本区间是否足够，我们往往会遇到这样的情况，选择了一个非常好的模型，但往往没有相应的数据库的支撑，自己调研有没有经费和人脉的支撑，最后只能选择放弃，这也是一种无奈。最后就是实证了，选用什么样的软件来做也是一个问题，stata往往是非计量类的首选，方便快捷，统计类的就更加偏向于matlab和R，编程方便。回归结果是否显著就是一个比较大的问题了，也是最头痛的问题了，往往做了一大堆工作之后发现结果不显著。然后开始在变量和数据方面下功夫，换变量，增减变量，数据处理，不同百分为上进行winsor处理，结果还真就显著了（这里面很有可能会涉到学术不端问题了），这也是大部分同学认为计量比较不靠谱的原因，也是好多同学不想做学术的原因，至少我是这么认为的。以上是自己的一点想法，不对的地方还请大家指正。

我提个问题：针对计量方法的预测模型，建立模型用的都是当期数据的话，预测模型如何进行数据的选取？这里应该有什么样的思路？

解决措施嘞

头疼实证分析的数据来源还有变量选取，有时候数据的更新情况还有真实性比较郁闷

先顶一下，不错

作为一名马上将要开始写毕业论文的学生，我觉得实证论文最难的部分是有些命令不知道怎么编，比如最近遇到一个计算一个时间序列数据连续5年的标准差的问题，看了很多资料都不知道怎么能解决这个问题。