研究设计先行。实证研究最忌"先有数据再想问题"。正确的做法是：先明确研究问题→再推导研究假设→然后设计数据收集方案→最后执行并分析。如果你是先跑了数据、做了相关分析、发现了"有意思的结果"，然后才倒推出假设——这在学术界叫"HARKing"（Hypothesizing After Results are Known），是严重的学术不端倾向。

样本量要有依据。不要凭感觉决定"我调查200个人就够了"。使用统计功效分析（Power Analysis）来确定所需样本量——你需要知道预期的效应量、显著性水平（通常α=0.05）、统计功效（通常1-β=0.80）。G*Power等工具可以帮你计算。样本量不足导致的"假阴性"是实证研究中最常见的致命伤。

控制变量要严谨。实证研究的核心挑战是"因果识别"——你怎么知道是X导致了Y，而不是Z同时影响了X和Y？实验研究用随机分组来应对，调查研究用匹配、固定效应、工具变量等方法来应对。在方法部分，必须详细说明你控制了哪些干扰因素、用了什么方法、为什么这些方法有效。

结果报告要完整。报告描述性统计（均值、标准差、样本量）、推断性统计（检验统计量、p值、效应量、置信区间）、模型诊断（残差分析、多重共线性检验等）。不要把所有结果都塞进正文——核心结果放正文，辅助分析放附录或补充材料。

讨论要"回到假设"。引言部分提出了假设1、假设2、假设3，讨论部分就要逐一回应：假设1得到了支持（原因是什么），假设2没有得到支持（可能的原因是什么），假设3部分得到支持（边界条件是什么）。这种"假设-结果-解释"的闭环结构，是实证研究论文最经典的讨论框架。

研究设计先行。实证研究最忌"先有数据再想问题"。正确的做法是：先明确研究问题→再推导研究假设→然后设计数据收集方案→最后执行并分析。如果你是先跑了数据、做了相关分析、发现了"有意思的结果"，然后才倒推出假设——这在学术界叫"HARKing"（Hypothesizing After Results are Known），是严重的学术不端倾向。

样本量要有依据。不要凭感觉决定"我调查200个人就够了"。使用统计功效分析（Power Analysis）来确定所需样本量——你需要知道预期的效应量、显著性水平（通常α=0.05）、统计功效（通常1-β=0.80）。G*Power等工具可以帮你计算。样本量不足导致的"假阴性"是实证研究中最常见的致命伤。

控制变量要严谨。实证研究的核心挑战是"因果识别"——你怎么知道是X导致了Y，而不是Z同时影响了X和Y？实验研究用随机分组来应对，调查研究用匹配、固定效应、工具变量等方法来应对。在方法部分，必须详细说明你控制了哪些干扰因素、用了什么方法、为什么这些方法有效。

结果报告要完整。报告描述性统计（均值、标准差、样本量）、推断性统计（检验统计量、p值、效应量、置信区间）、模型诊断（残差分析、多重共线性检验等）。不要把所有结果都塞进正文——核心结果放正文，辅助分析放附录或补充材料。

讨论要"回到假设"。引言部分提出了假设1、假设2、假设3，讨论部分就要逐一回应：假设1得到了支持（原因是什么），假设2没有得到支持（可能的原因是什么），假设3部分得到支持（边界条件是什么）。这种"假设-结果-解释"的闭环结构，是实证研究论文最经典的讨论框架。