计量结果可能较长，包含密密麻麻的表格与数字。如何看？
诀窍：计量结果可能很复杂，但真正重要的信息通常不多，比如回归系数(含符号)、 p 值，以及样本容量、拟合优度等统计量。
以一元回归为例(工资对数对教育年限回归)，回归结果参见图1
图1工资对数对教育年限的回归结果
变量 s(教育年限)的回归系数符号为正，系数估计值为0.0966245， p 值为 0.000，样本容量为758，拟合优度R2为0.2527。
左上角的残差平方和、右下角的置信区间，乃至常数项等信息，基本可不关心。
在解释回归系数时，注意区分统计显著性与经济显著性。
“统计显著性”(statistical significance)主要通过p值来考察，如果p 值小于或等于 0.05，则该系数在统计上显著不等于零；反之，则在统计上不显著，可将此系数视为零(不存在)。
“经济显著性”(economic significance)主要通过系数的绝对值来考察，须特别注意变量的取值单位。
在上例中，教育年限 s 的单位为年，工资对数 lnw可解释为工资的百分比变化，故s 的回归系数为 0.0966245 意味着，每增加一年教育，未来工资收入将提高 9.66%，具有很高的经济显著性(可能过高了)。
假如 s 的回归系数为 0.01 或 0.001，则每增加一年教育，未来工资收入只会上升 1%或 0.1%，在经济意义上很不显著。
统计上显著而经济上不显著，意味着解释变量对被解释变量的影响很小(经济上不显著)，尽管这种影响的幅度被估计得很精确(统计上显著)。
进行假设检验时，Stata 可能输出很多结果，最需关注的只是原假设以及 p 值；知道二者就可进行检验，其余都是细节。将数据导入 Stata，输入相应命令，是“见证奇迹的时候”(moment of truth)。
如果所得计量结果未尽人意，怎么办？
出现这种情况，可能有三种原因。
(1) 计量方法不当。比如，在上述一元回归中，显然遗漏许多变量，存在遗漏变量偏差，导致 OLS 不一致。更一般地，如果存在内生性而未加以处理，将导致不一致估计，使得本应显著的变量变得不显著。
(2) 数据质量有问题。如果数据存在较大的度量误差，所用代理变量与真实变量相差较远，或者数据输入中的人为错误，都可能影响估计的一致性。
(3) 经济理论有问题。排除以上两种可能性后，最后一种可能性是，经济理论不正确。经济理论预期的某种效应可能不存在；或者同时存在其他作用机制，使得净效应的符号相反。实证研究的目的之一就是检验经济理论。如发现已有理论与经验证据不符，说明理论尚有改进空间，甚至需要放弃。
正如林毅夫(2001, p. 75)所指出：
如果发现理论推论和我国经验事实不一致,要坚持的不是现有的理论,而是进一步去了解我国的经验现象, 然后, 根据经验现象构建一个可以解释这个现象的理论。所以, 当发现这种不一致时, 不要死抱理论, 成为现有理论的俘虏, 也不要在巨人的面前而感到自己渺小。其实,这正是对理论发展做出贡献的绝好机会。
