回归分析结果怎么写？毕业论文必备指南

对于理工科、社科、经管类的研究生来说，回归分析几乎是毕业论文“绕不开的坎”——从数据清洗到模型构建，好不容易跑出了结果，却卡在了“怎么把这些数字转化为专业文字”上：

• 表格里的“Coefficient”“P-value”“R²”到底要怎么解释？
• 明明模型显著，为什么写出来像“数字堆砌”？
• 导师说“结果分析要结合研究假设”，但不知道从何入手？

别慌！这篇指南会手把手教你从“结果输出”到“专业撰写”的全流程，帮你把回归结果变成毕业论文里的“亮点章节”。

回归分析的本质是“验证变量间的关系”，因此结果撰写的核心是“清晰呈现关系的方向、强度和显著性”。在动笔前，先确认你已经掌握以下4个核心要素——

如果以上要素你还不明确，先回到模型输出界面核对（以Stata为例：运行回归后，重新输入`estimates store model1`保存结果，再用`esttab model1`导出详细指标）。

很多同学的误区是直接把软件（Stata/SPSS/R）的原始输出截图或复制到论文里——比如Stata默认的回归结果是密密麻麻的文字，SPSS的表格有多余的边框和颜色。这样不仅不专业，还会让审稿人找不到重点。

正确的做法是：将结果整理成“学术期刊标准格式”的表格，重点突出“系数、标准误/ t值、显著性水平、拟合度”。

1. 精简原则：只保留核心指标（系数、标准误/ t值、显著性、R²、N），删除软件输出的冗余信息（如“Source”“SS”“df”等）；

2. 对比原则：如果有多个模型（如基准模型、稳健性检验模型），放在同一表格的不同列，方便读者对比；

3. 标注原则：对符号（如*）、回归类型（如OLS）、标准误位置（如括号内）进行清晰说明。

以“企业研发投入（R&D）对企业绩效（ROA）的影响”为例，假设你已经运行了基准回归：

reg roa rd size age lev, robust  // 稳健标准误回归

接下来按以下步骤操作：

如果没安装过，先输入：

ssc install estout  // 安装estout包（包含esttab命令）

安装完成后，加载命令：

estimates store model1  // 保存基准回归结果为model1

输入以下命令（直接复制即可，括号内是注释）：

esttab model1 using regression_results.csv,  ///
    se star(* 0.1 ** 0.05 *** 0.01)  ///  标注显著性水平：*p<0.1, **p<0.05, ***p<0.01
    keep(rd size age lev)  ///  只保留核心自变量（rd=研发投入，size=企业规模，age=企业年龄，lev=资产负债率）
    coeflabels(rd "研发投入" size "企业规模" age "企业年龄" lev "资产负债率")  ///  变量名替换为中文
    stats(r2 N, labels("R²" "样本量"))  ///  显示拟合度和样本量
    replace  // 覆盖已有文件（第一次导出可省略）

打开导出的`regression_results.csv`文件，复制到Word后：

• 删除多余的空行和边框；
• 调整列宽，让“变量名”“系数”“标准误”“显著性”对齐；
• 在表格下方添加“注”：“括号内为稳健标准误；p<0.1，p<0.05，p<0.01”。

表格只是“结果的载体”，真正的核心是对表格的分析——你需要告诉读者：这些数字意味着什么？是否支持你的研究假设？有没有意外发现？

建议按照“整体拟合度→核心变量关系→控制变量影响→模型稳健性”的逻辑展开，每个部分都要“先描述数字，再解释意义，最后关联假设”。

先从“宏观”角度说明模型的解释能力，让读者对结果的可靠性有初步判断。

关键指标：R²（线性回归）、Adjusted R²、Pseudo R²（Logit/Probit）、F值（整体显著性）。

表1报告了企业研发投入对企业绩效影响的基准回归结果。模型的Adjusted R²为0.225，说明模型能够解释企业绩效22.5%的变异，在同类研究中处于合理水平（例如张丽平等，2022的研究中R²为0.19）。F统计量为35.23，对应的P值小于0.001，表明模型整体在1%的水平上显著，即研发投入、企业规模等自变量联合起来对企业绩效有显著影响。

注意：

• 如果是Logit回归，用Pseudo R²（通常在0.1-0.3之间是合理的）；
• 可以对比同类研究的R²，说明你的模型解释力是否达标；
• 不要只说“R²=0.238”，要补充“意味着什么”（如“解释了23.8%的变异”）。

这是结果分析的重中之重，直接关联你的研究假设（如“H1：研发投入显著提升企业绩效”）。需要从“系数方向、显著性、大小”三个维度展开。

系数的正负直接反映“自变量对因变量的影响方向”——正系数表示“正向影响”，负系数表示“负向影响”。

示例：

核心自变量“研发投入（rd）”的系数为0.023，说明研发投入每增加1个单位（如1%），企业绩效（ROA）平均增加0.023个单位（如0.023%），与研究假设H1的“正向影响”预期一致。

显著性水平（P-value）是判断“变量关系是否真实存在”的关键——如果P<0.05，说明“在5%的水平上显著”，即这种关系不是偶然的。

写作模板：

研发投入的系数对应的P值小于0.001（或标注为*），说明研发投入对企业绩效的正向影响在1%的水平上统计显著。这意味着我们有99%以上的把握认为，研发投入的增加确实会提升企业绩效，假设H1得到支持。

常见误区：

• 不要说“P值=0.03，所以显著”，要补充“在5%的水平上显著”；
• 不要混淆“统计显著”和“经济显著”——统计显著是“关系存在”，经济显著是“关系大小有实际意义”（如系数0.023是否对企业来说重要）。

如果是标准化系数（β），可以直接比较不同自变量的影响大小；如果是非标准化系数（b），需要结合变量的量纲解释。

示例（非标准化系数）：

研发投入的非标准化系数为0.023，结合变量定义（rd为研发投入占营业收入的比重，单位：%），具体含义是：当企业研发投入占比每提高1个百分点，其资产收益率（ROA）平均提高0.023个百分点。从经济意义来看，这一影响是可观的——假设某企业研发投入占比从3%提高到5%（增加2个百分点），ROA将平均提高0.046个百分点，对于平均ROA为2%的制造业企业来说，相当于绩效提升2.3%。

示例（标准化系数）：

标准化回归结果显示，研发投入的标准化系数（β）为0.15，企业规模的标准化系数为0.12，说明在控制其他变量的情况下，研发投入对企业绩效的影响大于企业规模，是影响企业绩效的关键因素之一。

控制变量的作用是“排除其他因素的干扰”，让核心自变量的效应更准确。分析时不需要像核心变量那样详细，但要说明“是否显著、方向是否合理”。

控制变量方面，企业规模（size）的系数为0.011，在5%的水平上显著为正，说明企业规模越大，绩效越好，这符合“规模经济”理论——大企业可以通过分摊固定成本、整合资源提升效率。企业年龄（age）的系数为-0.002，未通过5%的显著性检验，说明企业年龄对绩效的影响不显著，可能是因为老企业虽然经验丰富，但也面临组织僵化的问题，两者相互抵消。资产负债率（lev）的系数为-0.035，在1%的水平上显著为负，表明过高的负债会增加企业的财务风险，从而降低绩效，这与资本结构理论一致。

注意：

• 控制变量如果不显著，也要说明（如“企业年龄的影响不显著，可能的原因是……”）；
• 方向不合理的情况要解释（如“预期企业年龄对绩效有正向影响，但结果为负，可能是因为样本中老企业多为传统行业，创新能力不足”）。

稳健性检验是毕业论文的“加分项”，说明你的结论不是“偶然得到的”。常见的稳健性检验方法包括：

• 替换因变量（如用托宾Q代替ROA衡量企业绩效）；
• 替换自变量（如用研发投入绝对额代替相对额）；
• 改变样本范围（如剔除 outliers或分行业回归）；
• 采用不同的回归方法（如用固定效应模型代替混合OLS）。

为了验证基准回归结果的稳健性，本文用托宾Q（TobinQ）替换ROA作为企业绩效的衡量指标，重新进行回归，结果见表2的第2列。可以看到，研发投入的系数仍为0.035，在1%的水平上显著为正，与基准结果一致。此外企业规模、资产负债率的系数方向和显著性也未发生实质性变化，说明本文的核心结论“研发投入提升企业绩效”具有稳健性。

注意：

• 稳健性检验的表格要和基准模型放在同一表格（如同一表的不同列），方便对比；
• 不要只说“稳健性检验结果一致”，要具体说明“系数方向、显著性是否保持不变”。

不同的回归类型（如OLS、Logit、Probit、固定效应），结果指标和解释方法有差异——如果用OLS的逻辑解释Logit结果，会闹笑话！

• 核心指标：系数（b）、标准误、t值、R²、F值；
• 解释逻辑：系数直接表示“自变量每变化1单位，因变量的平均变化量”（边际效应）。

• 核心指标：系数（Logit为Log Odds，Probit为Z值）、Odds Ratio（发生比）、Pseudo R²、Wald值；
• 解释逻辑：直接解释系数没有实际意义，需要转换为发生比（Odds Ratio）或边际效应（Marginal Effect）。

表3报告了企业创新（innovation，虚拟变量：1=有创新，0=无创新）影响企业上市概率的Logit回归结果。核心自变量“创新”的Odds Ratio为2.15，在1%的水平上显著，说明有创新的企业上市的发生比是无创新企业的2.15倍。进一步计算边际效应发现，企业进行创新后，上市概率平均提高12.3个百分点，支持假设H2。

• 核心指标：系数、标准误、t值、Within R²、F值（个体效应联合显著性）；
• 解释逻辑：需要说明“是否控制了个体/时间效应”，以及效应的显著性。

考虑到企业个体异质性（如企业文化、管理层能力）可能影响回归结果，本文采用企业固定效应模型进行重新估计，结果见表4的第3列。模型控制了企业个体效应（F统计量为28.76，P<0.001，说明个体效应显著存在），此时研发投入的系数仍为0.021，在1%的水平上显著为正，表明在控制个体异质性后，研发投入对企业绩效的正向影响依然成立。

错误示例：

Stata回归结果如下：

Source | SS df MS Number of obs = 1234

---------+---------------------------------- F(4, 1229) = 35.23

Model | 12.3456789 4 3.08641972 Prob > F = 0.0000

Residual | 102.345678 1229 .083275637 R-squared = 0.238

---------+---------------------------------- Adj R-squared = 0.225

Total | 114.691357 1233 .092993799 Root MSE = .2886

正确做法：整理成规范表格（如本文2.3节的示例），并文字解释核心指标。

错误示例：

研发投入的系数为0.023，说明研发投入提升企业绩效。

正确做法：补充显著性水平，如“研发投入的系数为0.023，在1%的水平上显著（P<0.001），说明研发投入显著提升企业绩效”。

错误示例：

研发投入的系数为0.0001，在5%的水平上显著，说明研发投入对企业绩效有显著影响。

问题：系数0.0001的经济意义极小（如研发投入增加1万元，绩效只增加0.0001元），即使统计显著，也没有实际意义。

正确做法：补充经济意义分析，如“虽然研发投入的系数在5%的水平上显著，但系数仅为0.0001，说明其对企业绩效的实际影响微乎其微，可能是因为样本中研发投入的变异较小”。

错误示例：

研发投入的系数为-0.012，未通过显著性检验，说明研发投入对企业绩效无影响。

问题：如果假设是“正向影响”，但结果为负且不显著，不能简单回避，要分析原因。

正确做法：

研发投入的系数为-0.012，未通过5%的显著性检验，与假设H1的“正向影响”不一致。可能的原因是：样本中的企业多为传统制造业，研发投入主要用于维持现有技术，而非创新突破，因此未能提升绩效；或者研发投入的效果存在滞后性，本文采用的是当年数据，未捕捉到长期效应。

如果想让你的结果分析超越“流水账”，达到“优秀论文”水平，需要做到以下3点：

不要只描述数字，要用理论支撑你的解释——比如用“资源基础理论”解释研发投入的正向影响，用“委托代理理论”解释负债的负向影响。

示例：

研发投入对企业绩效的正向影响符合资源基础理论（Barney，1991）——研发投入形成的知识资产是企业的异质性资源，具有难以模仿和替代的特性，能够帮助企业获得竞争优势，从而提升绩效。

将你的结果与现有研究对比，说明“你的贡献是什么”——比如“补充了某一情境下的研究”“纠正了以往研究的偏差”。

示例：

本文发现研发投入的系数为0.023，与张丽平等（2022）在制造业中的研究结果（系数0.019）相近，但高于强荣等（2021）在服务业中的结果（系数0.012）。这可能是因为制造业的研发投入更直接地转化为产品创新，而服务业的研发更多是流程创新，对绩效的提升作用较慢。

结果分析的要从结果中提炼出对实践或政策的启示，让论文更有现实意义。

示例：

本文的研究结果对企业和政策制定者有以下启示：（1）企业应加大研发投入，尤其是制造业企业，通过技术创新提升绩效；（2）政策制定者可以通过税收优惠、研发补贴等方式鼓励企业研发，同时引导企业优化研发结构，提高研发效率；（3）企业在扩大规模的同时要注意控制资产负债率，避免过高的财务风险。

用一个流程图总结全文的核心逻辑，帮你快速回顾：

1. 准备：确认回归类型、核心指标（系数、显著性、R²）；

2. 制表：用`esttab`等工具导出规范表格，突出核心信息；

3. 分析：

• 整体拟合度（R²、F值）→ 核心变量（方向、显著性、大小）→ 控制变量（是否显著、方向合理）→ 稳健性检验（结果是否一致）；

4. 升华：结合理论、对比现有研究、提出启示；

5. 避坑：避免复制原始输出、混淆统计与经济显著、回避矛盾结果。

按照这个流程，你不仅能写出“规范的回归结果”，还能写出“有深度的分析”——让你的毕业论文在数据部分脱颖而出！

如果还有疑问，欢迎在评论区留言，我会一一解答~