如何撰寫經濟學應用論文
Marc F.Bellemare[1]
2020年9月7日
摘要：
如何寫出好的學術論文？盡管許多經濟學者本能地知道如何做到這一點，但很少有人花時間思考如何撰寫好的研究論文，即使是最成功的經濟學者也往往很難清楚地回答這個問題。其原因在于兩：經濟學家讀的內容（what economists read）以及他們讀的方式（how they read it）。本文的目的是告訴讀者如何撰寫最終能發表在同行評議期刊上的應用經濟學論文。本文將盡可能詳細地討論論文的各組成部分，并以常規的研究項目中各部分呈現的順序來編排。
關鍵詞：應用經濟學，應用微觀經濟學，方法論
JEL 分類號: A2, B4
“我相信，我們成為什么樣的人，取決于我們的父親在空閑的時刻教我們什么，當他們不想教我們的時候。我們是由一點點智慧組成的。”
— Umberto Eco（1988），Foucault’s Pendulum.
1引言
一部好電影會讓你忘記你是正在看一部電影。同樣，一篇好的研究論文會讓你忘記你是正在讀一篇研究論文。作者們介紹了他們所做的工作：他們問了自己什么問題，他們是如何回答的，他們是如何確保自己的答案是可靠的。總之，我們可以從他們的研究中學到一些東西，以用于指導政府或商業決策。
但正如一部好電影讓你沉浸在它創造的世界中，讓你忘記制作過程中使用的各種主題和技巧一樣，一篇好的研究論文也會讓你忘記它的整體結構以及作者使用的各種修辭手段。
你如何寫一篇好的研究論文？根據我的經驗，大多數研究經濟學家花在思考這個問題上的時間太少，即使是最成功的經濟學家也很難清晰地回答同一個問題。
這既與經濟學家的閱讀內容有關，也與他們的閱讀方式有關。
關于經濟學家所閱讀的內容，大多數研究生課程（如行為、發展、產業組織、勞動）的教學大綱通常包含閱讀所研究領域的優秀論文。這些論文影響了該領域研究人員的思維方式以及他們對該主題的了解。例如，發展經濟學課程的教學大綱幾乎肯定會將Foster and Rosenzweig（1995）和Suri（2011）的文章包含在其技術采用主題下的閱讀清單。因為，在該領域中，這兩篇文章被廣泛認為是最好的文獻之一。
這主要適用于低年級的讀者（因為高級別的學者可能在審稿時接觸到很多質量不高的文章），但只閱讀最好的論文也是一把雙刃劍。平心而論，閱讀那些來自于我們同行們關注話題的論文時，我們會獲得最大的收獲。同時，這些論文往往是質量最高的，即在某一特定話題中最接近完美的論文[2]。但是，如果一個人所讀的都是完美的論文，那么他就很難了解好論文是怎么形成的。例如，再拿電影舉例，如果你所看的都是英國電影協會（British film Institute，BFI）有史以來最偉大的50部電影名單上的電影，而你從未看過任何糟糕（甚至是一般）的電影，那么你將很難發現到底是什么讓這些電影躋身BFI前50名。
關于經濟學家的閱讀方式，大多數研究生課程的教學大綱經常列出大量的文章，從而使研究生迅速掌握出一種技能，即Mortimer Adler在其著作How to Read a Book中談到的“檢視閱讀”（inspectional reading）。在閱讀學術論文時，檢查閱讀包括閱讀引言、查看方法和結果，以及（可能）在閱讀的下一篇文章之前閱讀結論。以這種方式閱讀論文可以幫助一個人了解某一主題的內容，但這并不是學習如何撰寫好論文的秘訣[3]。
當經濟學家知道如何寫出一篇好的研究論文時，他們通常會以非結構化、無意識的方式收集這些信息，通常是從顧問、資深同事和合作者的閑聊中收集的。換句話說，正如本文開篇Umberto Eco所說的一樣：他們“在偶然的時刻……通過一點點知識”學到了這一點，而這些顧問、同事和合著者并沒有試圖教他們。
因此，本文的目標是教會讀者如何撰寫最終將在同行評議期刊上發表的應用經濟學論文[4]。為了做到這一點，研究論文的各個組成部分將盡可能詳細地討論，文章的順序大致以各組成部分在實際研究工作中的順序來編排[5]。
本文的其余部分組織如下。第2節列出并討論了一篇典型的應用經濟學論文結構。第3節解釋了如何呈現應用論文的理論框架，記住理論經濟學家很少讀應用論文。接下來是論文中真正應用的部分：第4節解釋如何呈現數據和描述性統計，第5節解釋如何呈現實證框架，第6節解釋如何討論實證結果，包括其局限性。第7節解釋了如何寫出正確的結論。因為只有當作者弄清楚自己研究的結果是什么以及它們的意思后才能完成標題、摘要和引言的寫作，所以第8節才解釋了如何選擇一個好的標題、寫一個好的引言和摘要。第9節討論了文獻綜述和背景部分（并非是論文中必須有的部分）。第10節討論了有關發表的事宜。第11節是總結。
2結構
在創作任何類型的作品之前，了解這些作品的典型結構是什么樣的，并寫下這種結構的粗略草圖是有幫助的。從最抽象的意義上說，典型的經濟學論文（無論是否是應用論文）的結構如下：
1.標題
2.摘要
3.引言
4. ……
5.總結和結束語
6.參考文獻
根據你寫的論文的類型，第四部分將會有所改變。由于本文主要探討應用論文的寫作，所以上面的結構通常會被修改為如下結構：
1.標題
2.摘要
3.引言
4.理論框架
5.數據和描述性統計
6.經驗框架
7.結果和討論
8.摘要和結束語
9.參考文獻
10.附錄
該結構并不是一成不變的。有些作者會調換第5部分和第6部分的位置，從而使實證框架部分位于數據和描述性統計部分之前。類似地，一篇研究常規問題的論文（例如，更強的財產權對農業生產力的影響）可能根本不需要一個理論框架，因為這個問題背后的理論是眾所周知的，而且還是教科書上的東西。或者，在引言之后會有一部分介紹重要的研究背景，而這部分既不適合放在引言，也不適合放在描述性統計部分。
雖然有些論文可能需要對上述結構進行大幅度調整，但是熟悉常規的結構還是有幫助的。在這種情況下，一個很好的類比就是：在爵士樂傳奇人物John Coltrane制作 A Love Supreme（1965）（至高無上的愛，一部很前衛的作品）之前，他首先學會了Blue Train（1957）中波普爵士樂結構（較為僵化和傳統）。
這對應用經濟學家意味著什么？這意味著在你打破常規之前，必須學會它們。因此，在考慮寫一篇一般讀者幾乎認不出的結構的論文之前，一個應用經濟學家應該確保已經寫了足夠多遵循以上結構的論文。換句話說，更有經驗的研究人員才能做出結構上的改變，因為他們從讀者那里積累了足夠的善意，這允許他們稍作改變。
本文的其余部分將不遵循剛才給出的結構。雖然對我來說，寫一篇論文，其后續章節的標題按照確切的結構順序排列肯定會更容易，但事實證明，我們在論文中所展示的結構往往與我們實際工作的結構相差較大。
3理論框架
由于應用經濟學的目標通常是回答這樣的問題：“x影響y嗎？”或者“如果x增加一個單位，y會改變多少個單位？”，因此經濟學中的大多數應用工作都是從某種變化理論（theory of change）的思想開始的。
雖然許多影響評估報告會包含一項具體措施是否以及如何影響無數結果，但最好的研究論文往往側重于單個問題（例如，“擁有土地所有權如何影響農業生產力？”）或特定問題背后的影響機制（例如，“土地所有權提高農業生產力，其原因是土地所有權允許土地所有者將其土地用作抵押品嗎？”），因此，首先必須決定一篇特定文章將側重于何種利益因果關系。換句話說，最好的應用經濟學文章往往只關注一個問題，所以你幾乎不可避免地不得不在剪裁室的地板上留下一些材料[6]。
那么，問題是如何將你的變化理論轉化為應用經濟學文章的適當理論框架。這里有兩種可能的情況：你正在研究一個理論家已經研究過變化理論的問題，或者你正在研究一個理論家還沒有研究過變化理論的問題。
在第一個場景中，有兩個選項。第一種選擇是在文章中包含一個理論框架，通過合并或改編他人的理論框架。盡管研究論文常常讓人覺得必須在所有方面進行創新，但這種情況很少發生。尤其是應用論文，重要的是研究問題、實證策略或兩者都是新穎的。在大多數情況下，使用別人的理論框架是完全可以的——前提是你清楚地說明你正在這樣做。
一個密切相關的選擇是調整別人的理論框架來滿足你的需求——例如，通過合并一個額外的變量，或者通過做出額外的假設來滿足你的應用需求。
在第二種情況下，當你在研究一個理論家還沒有研究過變化理論的問題時，你必須清楚地陳述你的變化理論。在某些情況下，這可能需要一個正式的理論模型。在其他情況下，僅僅提出一個口頭的概念框架就足夠了[7]。在所有情況下，你的理論框架——無論是數學的還是口頭的——都應該從基本元素開始，并做出必要的假設，以產生“X通過機制m引起y”的結果，不能多也不能少。
一個人可以寫一整本關于如何寫經濟理論的書（有些人已經寫過了；參見Thomson，2011)，因此除了以下內容之外，關于這個話題本文就不再多說了：寫經濟學理論模型是一種藝術形式，如果你在研究生階段還沒有學過如何寫，也許最好與有過這種經歷的人合作。在發表應用經濟學文章時，最好是一個非正式的、不規范的概念框架，而不是一個糟糕的正式理論模型。
也就是說，即使你的工作論文包含了一個簡明的理論模型，有時也會發生這樣的情況：即審稿人或編輯會要求你在論文發表前刪除你的理論模型，或者將該理論模型放在附錄中。如果發生這種情況，要知道這是常見的，不要感覺被冒犯。從這個意義上說，在你的論文中有一個理論框架通常只是一個信號（in the Spence, 1973 sense），表明你知道自己在做什么。Job-Market Paper尤其如此，其除了要對現有研究做出貢獻外，還應被用來展示作者各方面的能力。
4數據和描述性統計
在發展了你的變化理論之后，你大概正在尋找數據來檢驗理論。與編寫正式理論模型一樣，以下這些書描寫了有關數據收集的注意事項（調查數據見Deaton，1997或Glewwe and Grosh，2000；隨機對照試驗見Gerber and Green，2012或Glennerster and Takavarasha，2013），因此本節將不討論數據來自哪里，而是假設您有這些數據。本節將側重于如何在應用經濟學文章的正文中呈現數據。
數據和描述性統計部分回答了讀者關于數據本身的所有問題。具體來說，一個好的數據和描述性統計部分需要首先討論數據的來源，包括數據收集的時間，搜集人員，構成樣本的觀察數據是如何選擇納入的（即調查方法，或區域、社區、家庭、個人等是如何選擇的），樣本代表什么人群，目標樣本量是多少以及如何確定樣本量（例如，通過功率計算），實際樣本量是多少，無答復率是多少，如果數據是縱向的，損耗率是多少，如何處理缺失值（例如，是否只是刪除了觀測值，或是否對某些值進行了插補，如果是，如何進行插補）。廣義地說，這里提供的信息允許讀者判斷論文中所包含結果的外部有效性（有時也可以判斷它們的內部有效性，當數據存在損失時就是如此），或者如何將這些結果用于樣本外預測。
在介紹了這些基礎知識之后，一個好的數據和描述性統計部分通過精確和簡明地解釋它們測量的東西以及它們測量的方法來介紹論文中使用的所有變量（所有變量都在論文中有用到）。例如，在發展中國家的許多農村地區，人們的收入來源多種多樣。因此，如果“收入”包括在分析中，讀者需要被告知收入來源是什么。
這可能看起來很乏味，但它包含了重要的信息（如果作為作者的你都覺得很乏味，你可以想象它對讀者來說是什么感覺）。例如，農業發展文獻中的一個古老問題，也是我做了相當多研究工作的一個話題：參與農業價值鏈（通過合約式農業，作為種植戶）是否會讓參與的家庭過得更好（參見Bellemare and Bloem，2018年的綜述）。這通常是通過在家庭是否參與合約式農業的虛擬模型上回歸家庭收入的度量（作為福利的代理變量）來評估的。然而，如果不知道家庭收入的組成部分是什么，就不可能知道它是否包括來自合約式農業（contract farming）的收入。當家庭收入包含合約式農業收入時，存在明顯的反向因果關系問題。而當家庭收入不包含合約式農業收入時，反向因果關系問題要小得多。
好消息是，當人們獲得用于收集數據的調查問卷時，提取出這些信息是相對容易的，而且幾乎總是這樣。此外，呈現這種信息的最好方法是創建變量描述表，其中每一行都是之后用于分析的變量，第一列給出該變量的名稱（括號中是度量單位），第二列給出精確的度量。圖1就是一個這樣的表。這樣可以通過簡潔的方式呈現大量必要的信息，從而最大限度地減少讀者的不滿：那些想要了解數據的人可以閱讀該表，而那些不想了解的人可以跳過表來關注變量名。
圖1變量描述示例（Bellemare，2012）
在介紹了上述內容之后，現在是介紹和討論描述性統計的時候了。雖然在過去僅僅展示平均值和標準差就已足夠，但當處理變量為類別變量時，有必要展示平衡檢驗的結果。表中每一行都是用于分析的變量，平均值和標準差是以處理狀態為條件顯示的，其中通過報告組間均值差異的p值來評估各變量的均值是否在不同處理狀態下有顯著的不同。盡管教科書上的例子涉及兩種處理狀態——處理和控制——但越來越多的研究包括兩種以上的處理組（treatment arms），因此任何有意義的平衡測試都必須報告每一組組間差異檢驗。對于兩個處理組，這意味著三種情況，即處理組1與對照組，處理組2與對照組，和處理組1與處理組2。
利用經驗數據，這種平衡測試是向讀者展示隨機化的操作是適當的。對于觀察數據，我們不會期望數據是平衡的，做平衡測試的目的是評估數據的不平衡程度——這一想法來自相關的文獻（Morgan and Winship，2015)。在處理組和對照組之間完全隨機分配的情況下，小于10%統計顯著水平的成對比較差異應少于10個，小于20%統計顯著水平的成對比較差異應少于20個，小于1%統計顯著水平的成對比較差異應少于100個。如果對比結果報告了太多系統性差異，那么在估計效果時，理想情況下應該在回歸或匹配上下文匹配中控制相關協變量。
除了通常的平均數和標準差表以及一個或多個顯示平衡測試結果的表之外，良好的數據和描述性統計部分還可以用于非參數地探索數據，其具體方法是：當相關變量連續時，顯示相關變量的核密度估計（即至少包括處理和控制變量，但控制也可能是異質性處理效應來源的因素）；當相關變量是類別變量時，展示相關變量的直方圖；或當處理變量和結果都是啞變量時，顯示交叉表（即二乘二表）。
在編寫數據和描述性統計部分時，應該避免幾個重要的錯誤。第一個這樣的錯誤是寫出了一個平淡無奇的手段列舉。如果性別變量僅被用為控制變量，那么陳述“37.4%的受訪者是女性”就沒有什么意義，因為讀者可以自行查找；這里唯一值得討論的變量通常是因變量和自變量以及任何用于識別的變量（例如，工具變量或驅動變量（forcing variable）），或任何真正重要的變量。通常，一個很好的經驗法則是將描述性統計的討論保持在幾句話之內。
第二個這樣的錯誤是在討論數據和描述性統計時使用了過去式。上面的例子說明了“37.4%的受訪者是女性”，而不是“37.4%的受訪者過去是女性”。在使用英語進行科學交流時，使用現在時討論數據或結果是更有效。正如應該避免使用被動語態一樣，也應該避免使用過去時態，除非是在總結和結束語中。
最后，另一個錯誤是，呈現的數字要么因為太小而有太多的小數位（通常，三位小數就足夠了，而且無論如何，總是可以通過縮放一個變量，使其大小與其他變量的大小相適應），要么在表格中呈現了難以解釋的數字，如1.37e+8，或者任何讀者不熟悉的單位（例如，如果需要，總是可以用幾千或幾十萬來表示美元金額）。換句話說，即使在實際回歸中，使用的是收入的對數，但描述性統計表也應該報告收入水平的平均值，而不是收入對數的平均值。
最后，盡管數據和描述性統計部分中的許多內容好像是無用的裝腔作勢，但是正如前面所說的那樣，一個好的數據和描述性統計部分應該可以讓讀者對因果關系的符號和大小形成合理預期，并了解在給定的條件作用域中，這種關系可能如何變化。
5實證框架
在討論數據并呈現描述性統計數據后，你通常會轉向討論你的實證框架，即你所使用的實證研究設計。
一個實證框架由兩個相關的部分組成：（一）估計策略（即估計什么，如何估計，以及如何進行統計推斷），和（二）識別策略（即什么樣的數據特征允許做出因果陳述，或者如果這不可能，我們如何知道我們正在接近做出這樣的陳述）。
5.1估計策略
估計策略通常包括為回答研究問題而估計的方程式。雖然精明的讀者可以通過查看論文中的表格來回顧論文中的估計方程，但這并不總是可能的。無論如何，讀者應該做的工作量應該保持在最低限度，因此提出待估算的方程式在很大程度上是簡潔的。
理想情況下，這些方程將盡可能簡約。雖然一個回歸可能包括10到15個控制變量，但最好將所有這些都放入控制變量的向量X中。在一個估計框架中，什么樣的變量值得在方程中顯示出來？首先，因變量（y）、處理變量（D或T)、控制向量（X）、截取項（）和誤差項（）應該一起包括在內。
最好遵循以下幾個范式，順序不分先后：
· 從最小（例如個人）到最大（例如區域），所有變量都應有適當的下標，通常標為等。
· 拉丁字母表示變量。希臘字母表示系數。
· 在估計策略部分中，如果同一個等式使用在了不同的情況下，那么系數也應該有不同的下標。換句話說，如果β被用來表示y對D的回歸系數，那么它就不應該被再用來表示y對D和x的回歸中的系數——這兩個的意思并不相同，用來表示它們的符號也應該不同。最好給每個系數加上數字下標：在前一種情況下，D的系數將被表示為β，而在后一個情況中則是β1。也可以在每個系數上加上字母下標，例如βr和βs可以分別表示同一系數在簡約式（reduced-form）和結構式（structural-form）中的估計系數。
· 估計策略部分還應具體說明用什么方法來進行估計。我們通常對感興趣，但可以用許多不同的方法來估計，如參數、半參數或非參數方法。當結果變量為啞變量時，讀者需要知道是否使用了線性概率模型、probit或logit模型。在不明確的情況下，還需要指定估計量（例如，最小二乘、最大似然或廣義矩量法）。
· 在介紹了可估計的方程之后，應該討論相關的假設檢驗。在形如下列的回歸式中
· 估計策略部分還需要討論推斷，即標準誤差是否穩健以及如何穩健（如果是，對什么穩健；如果使用Huber-sandwich-White校正，僅僅說標準誤差是穩健的是不夠的，但有必要說它們對異方差是穩健的），它們是否以及如何被聚類（如果是，在什么水平上聚類以及為什么聚類；請參見Abadie et al.，2017），以及是否使用抽樣權重來使樣本更接近感興趣的人群（如果是，它們是如何構造的；參見Solon et al.，2015）。
5.2識別策略
在呈現和討論估計方程后，有必要討論如何識別與因果關系判斷有關的系數。
隨著時間的推移，“識別”一詞經歷了幾種含義(Lewbel，2019)。不管怎樣，“識別”一詞在當前的應用論文中經常指因果判斷。什么是因果判斷？它指的是：一個系數不僅僅反映了因變量y和一些的變量D之間的部分相關，而是反映了一種因果關系。
雖然一個無偏系數估計意味著因果關系的系數估計，但不能反過來這樣說。事實上，在某些情況下，雖然人們知道一個系數是有偏的，但在統計上顯著的系數估計仍然可以用來表示因果關系。
例如，假設變量D是連續且隨機賦值的，同時你有結果變量y和控制向量X的數據。試想一下，受試者完全符合D，那么原則上你就可以估計平均處理效果（ATE）。但變量D的衡量是有誤差的，即當輸入數據D時，就會存在一定程度的誤差[8]。在這種情況下，當被拒絕時，我們仍然可以說，我們發現了D對y的因果關系影響，并提示說，這種影響是偏向于零的（或者，我們可以說，我們估計了實際影響的絕對值的下限）。有時，即使變量D存在著系統性測量誤差，還是可以這樣說，因為在某些情況下，系統性測量誤差會導致的估計值偏向于零，但這種情況要少見得多。
如果你足夠幸運，即在你的處理變量中有實驗性的變化，以及平行趨勢檢驗表明處理組和對照組是隨機分配的，你的識別策略部分可以很短，因為你通過隨機分配實現了對因果關系的判斷。換句話說，你可以估計Pearl（2009）所指的，即x對y的影響。
如果你的處理變量中有實驗性的變化，但平行趨勢檢驗表明處理組和對照組的觀測值并不是隨機分配的，你的識別策略部分也可以很短，因為你只需要解釋如何通過添加控制變量，來糾正這種情況，但只是在某種程度上，因為當可觀察到的不平衡時，不可觀察到的也可能不平衡。
如果處理變量中沒有實驗性的變化，那么就有很多工作需要完成。為了簡潔起見，本文不能也不會用觀測數據對因果關系進行深入研究（如果想要閱讀完整的介紹，請參見Morgan and Winship，2015）。然而，一個好的識別策略還是需要討論一些必要的內容。
· 直觀地解釋為什么你的結果可以用來解釋因果關系。實際上，這意味著你必須告訴你的讀者，為什么你的結果可以做出比以往更準確的因果判斷。
· 在最好的情況下，這是因為你有一個研究設計（例如，一個嚴格外生的工具變量，如彩票），其可以實現隨機分配的作用（即隨機分組）。在不太理想的情況下（例如，一個看似外生的工具變量；參見Conley et al.，2012），你需要解釋為什么，即使你沒有做出干凈明確的因果關系判斷，但你的結果是現有文獻中最好的[9]。
· 依次討論以下三種內生性問題的來源:反向因果、遺漏變量、測量誤差，解釋這些內生性問題在你的研究中是否非常關鍵，以及你是如何處理這些內生性問題的。如果這里的確有問題，請大膽承認它們，并解釋它們對你的估計系數將帶來什么樣的偏差。不要謊稱你的論文能做什么以及不能做什么！
· 做到這點后，還需要考慮另一個問題，即違反SUTVA（個體處理穩定性假設）。SUTVA的含義是如果你想研究對的影響，其中i表示單個個體，t表示時間，那么的值必須不能影響、或的值，即只能影響。然而SUTVA可能非常難滿足。也就是說，人們可以經常檢驗是否違反了SUTVA假定；參見Burke et al.（2019）的論文，作者們很好地處理了違反SUTVA的問題。
· 由于這是極其重要的，因此在強調一次：如果你并沒有發現因果關系，不要謊稱你的論文能做什么以及不能做什么！編輯和審稿人更愿意處理那些作者坦率地承認其文章局限性的稿件，而不是那些作者試圖欺騙讀者的稿件。簡單地說：前一種稿件比后一種稿件被接受的機會要大得多。
[1] Northrop Professor, Department of AppliedEconomics, and Director, Center for International Food and Agricultural Policy,University of Minnesota, 1994 Buford Avenue, Saint Paul, MN 55108, Web:http://www.marcfbellemare.com, Email: mbellema@umn.edu.
[2]也就是說，如果每個人都讀同一篇論文，而沒有讀其他論文，一個不健康的群體思維動態（an unhealthygroup-think dynamic）就會在研究某一特定主題的學者中形成，這可能會導致多年的學術努力浪費在回答錯誤的問題上，或試圖用錯誤的方法來回答問題。
[3]了解是成功的一半，因此了解許多讀者會仔細閱讀你的論文可以讓你成為一個更有效的作者，因為這會迫使你在撰寫引言、方法和結果部分以及結論時投入更多的思考。如果你知道許多讀者不太愿意閱讀，比如背景部分，那么你就應該在介紹部分陳述該部分最重要的內容。在論文中漏掉重要信息是非常嚴重的失誤。學術作家所犯的第二大罪過是委托讀者（commission），其包括迫使讀者在論文中尋找特定的信息。而讀者時間成本很高，因此普通讀者更可能放棄閱讀該論文，而非自行尋找信息。當一個相對初級的學者（如博士生或助理教授）為了給更高級的讀者（如教師顧問、期刊編輯或期刊審稿人）留下深刻印象而寫作時，尤其如此。
[4]雖然我主要指的是在談到“應用論文”時，通過簡化形式的方法來評估興趣因果關系的文章，但本文中的許多建議適用于其他類型的實證論文，如描述性或結構性論文。
[5] “研究項目”指的是回答給定研究問題的整個研究過程，從想法到發表。
[6]這并不是說一篇論文不可以同時研究幾個問題。但最好是詳細地回答一個單一的、相對狹窄的研究問題。多余的和無關的研究最好不要放在論文之中。
[7]一種可能是在沒有數學的情況下，用語言進行理論論證，并將數學留在附錄中。例如，見《桑切斯·德·拉·塞拉》(2020)。
[8]正如一位同事所指出的，如果D是二進制的，任何測量誤差都不可能是經典的，因為它所觀察到的D將與D的真值負相關。
[9]這假定你的研究設計必須是最好的。如果您的研究設計并不是最好的話，除非你顯著提高了外部有效性，否則你需要向下調整你的目標期刊集。
原文：
翻譯：王聰 高楷博
審核：涂盟
參考文獻
