实证研究的可信度，在很大程度上取决于三个基础环节，即变量定义是否清晰、测度方式是否合理、样本数据是否可靠。而描述性统计，正是我们判断数据质量最直观、最常用的工具之一。
然而，在日常审稿中，我们发现不少稿件在这些基础环节上存在疏忽，甚至出现一些本可避免的低级错误。这些错误削弱了研究结论的可信度。为此，我们提出以下几点建议，希望能帮助大家进一步规范实证研究中的变量定义与描述性统计，共同提升论文质量。
第一，在变量定义与测度时，避免想当然。
变量是实证研究的“语言”。定义不清、测度不当，后续分析再精巧也难免站不住脚。实证研究中有一些广为流传的变量定义或测度方式，其实并不太合理。例如，“将企业年龄定义为企业年龄的对数”，“用经济增长率衡量经济发展水平”，“用第三产业与第二产业产值之比衡量产业结构高级化水平”。仔细斟酌后，其实能够发现这些定义或测度方式有失妥当。
因此，我们建议，仔细斟酌变量定义，不宜习惯性地照搬现有文献，而应结合研究问题、理论逻辑与数据可得性，给出清晰的定义，并使用符合逻辑的测度方式，避免想当然或以讹传讹。
第二，变量定义和描述性统计不宜用对数形式。
许多作者习惯在描述性统计表格中直接报告变量的对数形式（例如“人均总收入的对数”），这种做法并不推荐。这是因为，对数变换不利于读者直观理解，也会掩盖原始数据的异常值。描述性统计的核心功能是让读者快速了解样本的基本特征，例如最小值、最大值、均值、标准差等。报告原始值的统计量，显然比报告对数值更直观。离群值、数据录入错误等问题，在原始尺度上往往一目了然，取对数后则难以察觉。例如，若描述性统计表格显示中国城市层面人均总收入的最大值是100万人民币，则比较容易判断数据有误；但是，若表格显示人均总收入的对数的最大值是13.815，则很难一眼看出它有问题——若不用计算器，鲜有人知道ln1000000等于13.815。
因此，建议的做法是，变量定义和描述性统计都使用原始值，并注明变量的单位。如果在回归分析中确实需要对变量取对数，可以在模型估计部分说明，但在变量定义和描述性统计仍应呈现原始值的特征。例如，可以说，本文用人均总收入衡量经济发展水平，并在回归时取对数。
第三，须仔细观察描述统计结果。
在做回归分析之前，必须仔细检查描述性统计表格中的样本量、均值、标准差、最大值和最小值。若最大值、最小值不在正常范围内，则须核查数据来源，查明错误原因，并重新选择可靠的数据来源。值得强调的是，判断数据是否异常需要作者关心和了解现实，并有一定的知识储备。例如，《中华人民共和国公司法》规定，股份有限公司董事会成员应为5人至19人。因此，在关于上市公司董事会人数的描述性统计中，如果最小值和最大值不在这个范围，则必定有误，须怀疑数据来源的可靠性。
以上建议看似基础，却是是确保研究结论可信的第一道防线。我们真诚希望各位作者在撰写论文时，能够给予变量定义与描述性统计足够的重视。
感谢您对《当代财经》《江西财经大学学报》的支持与信任！欢迎转发、讨论。
当代财经杂志社
2026年4月