由于计量经济学需要一定的统计学基础，不正确地使用计量经济模型，可能会使估计结果不稳健，导致结果的政策分析被质疑。本文从数据、模型和参数等3个角度出发，分析应用精良经济学模型在分析中需要注意的问题。
计量经济学作为分析的主要手法，已经被中国广大经济研究者接受。但是，正确运用计量经济模型，得出一个稳定、合理以及可靠的参数估计值，还没有一个很好的系统梳理。
由于计量经济学的统计学基础，不正确使用计量经济模型，可能会使估计结果不稳健，从而产生“变色龙”一样的结果，导致结果的政策分析被广受质疑。
首先，数据是进行分析的基础。数据按照来源，可以划分为微观调研数据、机构统计数据以及实验数据。在广为使用的调研数据和统计数据中，系统性误差包括测量误差和样本选择常常存在。如果这些误差，可能使估计结果不能满足一致性。如果数据存在系统性测量误差，工具变量方法通常是主要的解决方案；如果数据存在系统性的样本选择问题，Heckman方法是广为使用的校正方法。
其次，从模型的角度来说，任何模型都包括假设、机制以及求解3个组成部分。其中，假设对计量经济模型的正确使用尤为重要。在运用计量模型时，必须要清楚了解他们的假设条件，并对这些条件作必要的检查和检验。计量经济模型区别于统计模型最重要的假设：变量的外生性、许多因素可以造成变量内生性问题。工具变量是对内生性常见的检验和校正方法。可是有些研究中，工具变量无从寻找，就必须要依靠实验经济学的方法。
伪回归在计量分析中也不鲜见。伪回归可能是由模型本身原因造成的，也可能是数据结构造成的。计量经济学是结合了经济学理论和统计学的定量分析方法，没有经济学理论基础的计量经济分析，很可能会导致伪回归结果。某些特殊的数据结构，如非平稳的时间序列或非平稳的空间数据，都可能导致伪回归结果。
再次，计量经济学的基础虽然是统计学，但是两者之间还存在一些差异。由于技术上的，现有的计量经济模型的检验还是基于统计检验，所谓“显著性”都是统计上的显著性，这不同于“经济上的显著性”。在分析中，在讨论估计参数在统计上显著性的时候，也必须要讨论经济上的显著性，后者有时可能更重要。
最后，计量经济学的估计结果通常会被运用到政策分析中去，但是Lucas（1976）认为参数的估计值可能会随着政策的变化而变化，使计量经济学无法为政策分析服务。为了应对Lucas，计量经济学家提出了变量超级外生性的概念。条件于超级外生的变量，数据产生机制对估计参数结果没有影响，这时的政策分析才有意义。
学习计量经济学的最后目的是为进行研究，但对初学计量经济学的人而言，要写一篇有研究的报告或论文时常有不知如何着手的感觉，这里我便对研究的规划以及论文的写作做一些的。金木水火土查询表
1.计量方法不应太简单（例如只做到最简单的OLS），但也不必过于复杂，应针对问题采用恰到好处的计量方法。若采用了比较复杂的计量方法，则要说明为什么简单的方法不适合。计量方法的好坏不在其复杂程度，而在于它是否能够帮我们得到正确的估计值，以了解数据中所包含的线.除了估计值以及对应的 t 检定外外，也可做一些 F 检定之对多个系数的假设检定。
解释变量和应变量之间的关系一定要正确，也就是说，解释变量是原因在先，应变量是结果在后，有一定的先后顺序。尤其要注意，有些变量数值的产生很可能是和应变量同时决定的，或是关系不很明确（也就是说，相对于应变量而言，这些变量是内生的），则在选取这些变量作为解释变量时，便要非常小心。解释变量的内生问题常常是研究被的主要原因；
要注意解释变量的同构型，不能不分的将一大堆彼此相关性很高的变量（包括相同变量的不同转换、或是几个变数间的各种交乘项）放进回归式内，造成严重的线性重合问题；
经济理论所牵涉到的变量常常是无法观察到的，因此在做研究时必须采用替代变量（Proxy），研究者要对所选用之替代变数的合详加说明。由于数据总有些缺失，常有人在束手无策之下，采用了很多匪夷所思的替代变数；
5.横断面数据要注意异方差（Heteroscedasticity）的问题，时间数列的数据则要注意干扰项相关（Autocorrelation）的问题。
8.若模型中有多个应变量（和对应之方程式）值得同时分析，则可考虑采用 Seeming unrelated regression甚至联立回归模型等系统模型，以更有效的利用各回归式之间的相关性。
模型有理论模型和模型两类。理论模型是从经济理论中直接导出，而模型则是从理论模型衍申出来，是要实际以资料来估计的。理论模型通常需以数学推导，因此文章中可列出一些关键的数式以帮助理论的阐述，但不应长篇累牍的堆积只有间接关系的数式。模型通常是以回归模型的形式表示，对模型中所涉及的变量均须给与明确的定义，对解释变量和应变量之间的关系要详尽的说明，也要解释对模型中主要系数（或由这些系数所导出之弹性、乘数等）可能数值的大小及符号有怎样的理论预期。
系数估计的主要结果均须以表列出，在表中每一系数对应之变量名称要写清楚，每一系数估计值旁均须伴随一标准差（s.e.）或 t统计量，也可加列 p 值，对于显著的估计值也可附加诸如星号之特殊标记以提醒读者。显示模型整体表现的统计量，诸如 R2（线性回归模型），F 检定统计量， Durbin-Watson检定统计量（对时间数列资料），也可选择性的列于表内。在表的脚注中，必须说明表中所有的特殊符号和简称，表中变量名称的选取，应尽量采用有意义的中文简称，少用无意义的英文字母组合。制表的基本原则就是要让读者便捷、完整而清楚的了解估计的结果；
对主要回归系数（或由回归系数所导出之弹性、乘数等）估计值的大小、符号及显著与否要详加讨论，对于显著的估计值更要和理论预期值比较，若有明显的矛盾，则要探讨原因；
对重要回归系数若是得不到显著的估计值，则要探讨其中原因。也绝不能对不显著的估计值做出过度的解释，尤其不能不显著的估计值支持或不支持某些特定结论。我们要知道估计值不显著，就是表示所使用的数据不能够提供足够的信息，若是没有足够的信息，当然不能够也不应该做出任何确切的结论；
为增加文章的清晰度，能够条列的结果应尽量条列（但要注意条列式的阐述易流于机械化而让读者失去兴趣），同样的，能够列表的结果应尽量列表，表格应尽可能的明确、自主而自成一体（多利用表格下端的附注详加解释表格的内容），尽可能让读者不用在文章中到处找相关说明。此外，图表也是一个非常精准有效之传达信息的方式，应多加利用；
若要根据估计模型对数据外的时期或状况进行预测，则态度必须保守谨慎，尽可能设想预测可能不准的原因；
所有列举的统计数字应尽量保持统一的小数点位数（小数点后三位数或四位数均可），如果有很小或很大的数字，则可以用科学表示法表示（例如1.2345 x 10-4），尽可能显示出三至五位有效数字。
大家都知道文章中每一个章节都有一个主题（章节的标题就是用来点明该主题的），但很多人似乎是不知道，文章中的每一个段落也有各自的主题，也就是说每一个段落只是用来说明一件事情的。很多人常在该分段的时候不分，以致一个段落中常挤进两三个不太相关连的主题，而让读者不易掌握文章重点。
3.相对的另一个问题是，同一个主题，也应该在同一个地方楚，而不应该在文章中不同的地方重复出现（在序论及结论中对各主题之概论则例外），尤其是不应该在不同的地方出现互相矛盾的说法。但有时候在对一个主题的解释过程中，可能需要先了解一些其它的概念，因此有必要将一个主题的解释，分置于文章中两个不同的段落。若如此则在前一部份解释完成后，应预先告知往后还会有更多的说明。这种做法既让读者有一个全盘了然的感觉，也提醒自己在前后不同地方的说明要彼此呼应而不重复或矛盾。