毕业论文跑实证的同学最怕碰上的事儿，就是熬夜敲完代码，屏幕上跳出来的星号少得可怜，或者系数干脆是个相反的符号。看着这堆不理想的数据，心里肯定发毛，觉得这论文要凉。大可不必这么慌张。实证结果不理想太正常了，这甚至比那些完美得挑不出毛病的结论更有写头，关键看作者怎么把这个场子给圆回来。

遇到这种情况，第一条红线千万别碰，那就是去改数据。把不显著的p值硬改成显著，这是学术造假，一旦被查出来后果不堪设想。不显著也是一种客观存在的研究结果，大大方方写进论文里才是正道。这时候要做的不是掩盖，而是要像个侦探一样，去挖掘数据背后到底发生了什么。

不理想的结果往往藏着真问题。这时候得回到理论层面去反思。预期的假设为什么没成立？是不是选的代理变量不太合适？比如想研究企业创新投入，用专利数量去衡量可能存在滞后性，当期的数据自然对不上号。或者是不是样本时间跨度太短，政策效应还没发挥出来？把这些理论上的反思写进论文，不仅不会减分，反而会让评审老师觉得这个学生思考得很深，不是在机械地跑程序。

如果全样本跑下来不显著，别急着放弃，可以试试异质性分析。有时候整体看不出名堂，拆开来看反而有惊喜。比如按行业拆分，或者按东中西部拆分，甚至按企业规模大小分组。说不定在大企业里不显著，在小企业里却极其显著。这种分组后的差异，往往能成为论文的一大亮点，反而能把原本平淡无奇的结论拉升一个档次。再不行，考虑加个调节变量，看看是不是某种外部条件掩盖了原本的主效应。

模型设定的毛病也得拿出来自我检讨一番。很多结果不理想，纯粹是模型没选对，或者内生性问题没处理好。这时候不妨在论文里坦诚地讨论一下，是不是存在遗漏变量偏误，或者有没有反向因果的干扰。把这些问题剖析清楚，甚至补上一个工具变量做稳健性检验，这种自我纠错的态度在答辩时绝对是加分项。老师看重的是你解决实际问题的能力，而不是一帆风顺的假象。

把不理想的结果阐释清楚，比写那些顺理成章的结论更考验功力。在讨论部分，得把结论的现实意义给圆回来。假设没成立，说明现实世界比理论推导的更复杂。比如某个政策本意是好的，结果没起作用，那是不是在执行环节出了岔子？结合现实背景去解释这种反常现象，往往能写出非常深刻的东西。