论文实证数据的清洗，说起来是每个做过计量研究的人都绕不过去的坎，原始数据拿到手往往缺值、异常值、重复记录搅在一块，不收拾干净就直接跑回归，结果看着再漂亮也经不起推敲，评审人扫一眼表格就能看出底子虚不虚，所以清洗这道工序看着不起眼，实际上决定了整篇论文的成色。

缺失值的处理通常排在头一关，问卷有漏填、数据库有断档、样本有失访，这些情况躲都躲不开，要是图省事把带缺失的观测一股脑删掉，样本量掉得厉害不说，还容易带进选择性偏差，让结果悄悄偏向某一类人群。稳妥的做法是先摸清缺失的规模和分布，缺得少就删，缺得多就得掂量插补的法子，均值插补简单粗暴，回归插补和多重插补更讲究，用哪一种都得在论文里交代明白，糊弄过去迟早要还。

异常值的识别比缺失值更考验功夫，有些极端值属于录入错误，价格多敲个零、年龄填成两百多，这种找出来直接修正或者剔除，而有些却是真实存在的极端个体，高收入人群、超大规模企业，一刀切掉等于人为裁剪了现实，结论自然就偏了。实证论文里常见的做法是 winsorize，把上下百分之一或者百分之五的尾部缩到边界值，既能压住极端值的杠杆效应，又不至于丢样本，不过缩不缩、缩多少得有经济学上的说法，最好再补一组敏感性检验，让读者看到结论换种处理方式照样站得住。

重复记录和逻辑矛盾也得过筛子，同一企业同一年冒出两条数据、收入大于总产出、退休了还在缴社保，这类问题靠主键去重加上规则校验，跑一遍代码就能筛出一大批，面板数据还要处理企业代码变更和名称改换带来的匹配难题，合并得不当，凭空多出来的进入和退出会让结果完全走样。变量构造同样属于清洗的范畴，名义值换实际值要选对平减指数，行业分类标准要前后统一，货币单位和统计口径一旦不一致，后头的结果就说不清了。

清洗完也不是立刻开跑，每一步处理最好都落成代码留个底，用 Stata、Python 或者 R 写成脚本存档，别人复现得出来，自己回头查证也有据可依，如今学术规范越来越看重可复现性，审稿人索要清洗说明的情况只会多不会少。说到底清洗没有万能套路，宏观序列怕口径变动，微观调查怕抽样偏差，上市公司数据怕并购重组搅局，多花时间摸清数据的脾气，比急着出结果划算得多，论文的分量往往就藏在这些不起眼的功夫里。