做了多年的实证研究，突然感觉，这是一个既可以很难，又可以很简单的事。
简单的是，很多数据是现成的，测度方法是可以模仿文献的，建模方法是有成型代码的，解读是可以翻书模仿的，结论可以是跟其他文章类似的。正因如此，一个本科生10天就可以出一篇论文。
可明明，写出一篇好的实证文章又很难，难，或者让文章出色的到底在哪里呢？
在我看来，有五难需要破除。
一难难在选题，你是否能在宏观多变的时代背景下抽象出具有学科研究价值的问题？你是否能在遍览文献之后找到有用又可为的突破点？你是否能够结合数据条件，结合理论基础能够凝练出一个能够符合自己水平，有力量能够推进的选题，如果不能，能否找到合理的阶梯攻克，有效分解问题，这是第一难。这一难，入门水平是跟别人要，跟文献抄，高手水平是自己悟，跳入文献，跳入现实的大海反复思量之后，最终才凝练出核心。
二难难在故事。好的文章一定不是只回答一个问题，而是一连串有联系、有推进、有故事的问题组合，如何设计问题顺序，如何设计故事逻辑，如何层层深入像把人带入一个新世界一样，慢慢推进问题与结论，这考验我们的全局观和故事力，此为第二难。这一难，入门水平是遵循模版逻辑，先总体，后分群体，再分时期，高手水平则是根据问题内在的逻辑，设计推理故事，宛若在讲一个层层相扣的故事。
三难难在理论。问题的回答需要有依有据，你如何运用理论的线严密缝上问题的缺口，你如何创造性的运用理论拼接起通往问题答案的桥梁，高度考验我们的逻辑推理与理论理解深度，此为第三难。这一难，入门水平是根据文献的只言片语进行拼凑，高手水平则是在悟透理论精要之后的连接与顿悟，甚至是总结发明推理出自己的全新理论来解释问题，这往往是巨大创新蕴含的地方。
四难难在数据。实证研究，数据就是最关键的论据，如何根据问题广泛搜集合适的数据，如何合理连接概念的抽象与数据的真实，如何从数据所反映的图景背后看到问题的答案，对问题的准确回答都有影响。同时，在大数据环境下，如何有效采集数据，清理数据，整合数据，可以是一项也繁也难的技术活，这一难，入门水平是找最好找的宏观数据，用文献中普遍使用的测度手段就可进行，而高手则是深谙数据背后的真实内涵，同时广泛搜寻适合问题的各类数据（而不仅仅是传统数据源），并对数据进行有序的处理，精心理解概念内涵，选择测度手段，这往往是让文章接地气的关键
五难难在模型。模型，是用数据回答问题的工具。如何合理选择模型，如何评价问题条件与模型假设之间的匹配度，如何运用代码实现模型，正确解读好结果是运用模型的难处。这一难，入门水平是直接看一些好的期刊使用到的模型，然后查到原理，查到代码即可马上上手，而高手则会深谙每种模型的使用条件，估计策略，运用精髓，以及遇到问题如何处理的经验做法，甚至可以根据数据需求定制化开发修改模型，而这往往是让文章高度专业化的体现。
