在撰寫碩士論文時，根據特定問題選取適合的實證模型是碩士生的主要任務。因此在本次專欄中，我將介紹幾個常用的實證模型。

通常在選擇模型時，最優先考量的是分辨取得的資料的類型。一般而言，取得的資料可大略分成四種類型：

1. 問卷調查或實驗設計
2. 橫斷面資料
3. 時間序列資料
4. 追蹤資料。

舉例來說，若想要探討不同的促銷方式或者廣告代言對於消費者的購買意願的影響，則可以設計問卷，請受試者填下不同情境下的購買意願，再針對資料的尺度 (例如 1-5 分或者 1-10 分) 決定使用的統計方法。若資料的變異程度較低 (1-5 分)，可採用無母數統計方法進行分析；如果資料的變異程度較高 (1-10 分)，可採用多變量分析(變異數分析)。而進行分析時，亦可考慮是否存在交互作用。例如品牌如果細分成高價或是平價定位，而有兩個代言人 A 與 B，則可以探討是否有代言人較適合代言平價或是高價品牌。若因子數超過 2 個，在檢定之後，可進行事後比較找出相異的配對。

而如果獲得的資料是同一個時點不同觀測值的類型，稱為橫斷面資料。例如所得與教育程度，或者廣告支出與銷量皆屬於此類型。這類型的資料建議使用迴歸模型進行分析。在決定了被解釋變數與關鍵的解釋變數後，選取適當的控制變數。控制變數的指的是對解釋變數具有解釋力，但不是你想要探討的重要變數。例如想要探討教育程度如何影響所得時，可以在迴歸模型中加入科系、工作經驗與工作區域等變數。加入控制變數的目的是降低未解釋變異，增加變數顯著性的檢定力。

時間序列資料係指單一標的在不同時點所之觀測值，例如匯率、股價與油價等等。而時間序列資料因為通常具有隨機趨勢（單根），直接使用迴歸模型分析可能產生虛假迴歸的問題，因此不適合利用迴歸模型分析，建議使用向量自我迴歸模型 (vector auto regressive model , VAR) 或者向量誤差修正 (vector error correction model, VECM) 模型進行分析。欲探討變數的影響通常不是看係數的估計結果，而是衝擊反應函數 (impulse response function, IRF) 的區間是否包含 0 而定。

最後，如果收集到的資料是橫斷面資料，為了增加樣本數可多收集幾年，此即為追蹤資料。例如探討臺灣 50 成分股在過去 10 年中, 其研發支出對於 EPS 的影響，則可利用追蹤資料迴歸模型。追蹤資料的特性是通常個體之間會有明顯差異，例如航運類股的公司體質與 IC 設計類股就會明顯不同，因此應採固定效果 (fixed effect, FE) 或者隨機效果 (random effect, RE) 來補捉此一特徵。

上述研究方法只是概略的介紹，實際上在進行研究時，會出現幾個常見且無法忽略的問題需要進行處理，我將會在之後的專欄進行介紹！