在前面的文章里，我们把论文写作的前半段搭好了：综述不是清单，而是为问题“育土”;问题不是口号，而要被“翻译”为研究设计;设计不是流程表，而是理论、变量、假设与测量的对齐。接下来这一步，等着你把证据交出来。可一到“结果”部分，很多稿子就开始失真：不是把回归表、显著性星号堆满版面，就是把图片做得眼花缭乱，却迟迟没有一句清楚的话解释“这到底意味着什么”。结果部分并不是材料仓库，而是证据叙事;它的任务，不是让数据替作者背书，而是让数据自己说话，并且说得清楚、合乎逻辑、能够被复核。

　　一、结果不是罗列，而是一次逐层推进的叙事

　　所谓“让数据开口说话”，首先是给它一个能被理解的语境。结果部分要回答三件事：你检验了什么、你观察到了什么、这些观察在逻辑上意味着什么。写作顺序上，与其堆出一张总表，再让读者自行参悟，不如采用逐层推进的叙事：先呈现与核心假设最直接的主效应，再补充机制相关的中介或调节，再展示关键的边界条件，最后给出必要的稳健性检验。这样的节奏能让读者沿着一条清楚的线向前走，而不会被“信息洪流”冲散注意力。需要强调的是，任何数字进场，最好都有一句“翻译”为自然语言的解释：系数的方向、量级、统计上的不确定性、实质上的意义各是什么;如果把一项指标提高一个标准差，结果变量会发生多大幅度的可感知变化;如果你画了一张曲线或热力图，它所对应的机制推论到底是哪一段假设。数据展示是叙事，而不是考试出题;不要难为读者去猜你在想什么。

　　二、显著性不是终点，解释度与效应量才是结果的骨架

　　在很多论文里，统计显著性被当成结果写作的中心。这种写法的最大问题，是用“能不能拒绝原假设”替代了“我们究竟知道了什么”。真正经得住追问的结果写作，把重心放在效应量与解释度上。效应量告诉我们关系的强弱与方向，解释度告诉我们模型在多大程度上捕捉到了变异。两者共同说明结果是否具有实质意义。一组“显著但很小”的系数，可能在大样本中轻易过检，却在现实世界毫无可感知的影响;而一组“边缘不显著但中等量级”的估计，在样本与测量误差可理解的前提下，反而更值得被讨论。写作时，不妨把统计显著性当作“可信区间”的线索，而把效应量当作“理论对话”的主角——因为理论并不关心星号的多少，它关心的是你声称的机制是否真的能推动一个足够大的效应。对于非线性模型、分类模型或实验数据，同样需要把估计转译为读者能理解的变化幅度或概率差异，避免只报难以直觉的系数或对数比值。总之，结果的骨架，从来是“效应能否解释、解释能否落地”，而不是“星号能否堆满”。

　　三、图表是证据的窗口，不是装饰

　　好的图表能把复杂关系一图道破，坏的图表只会让读者疲惫。图表的首要职责，是让读者在几秒钟内抓住你的主要发现。做到这一点并不神秘：纵轴表达你真正关心的量，横轴承载你要比较的维度，图形元素尽量少而精准，色彩或线型只为区分关键组别而存在。任何图表落地，都应配上一段简短的文字解释它的信息密度最高的部分——峰值或拐点、梯度或分层、交互的方向或强度。表格同理，它不是数据的搬运工，而是推理的组织者。把与核心推论关系最直接的结果放在前面，把辅助信息放在附录或补充材料;对于大表，宁可拆成几张“各司其职”的小表，也不要把所有估计一股脑塞进一页里。读者不反对细致，读者反感迷宫。让图表成为你的叙事同盟，而不是视觉阻碍。

　　四、稳健性不是“例行体检”，而是结论强度的自我审查

　　在很多稿件里，稳健性一节往往写成“形式主义”：随手换两组控制变量、删几条异常值、把样本切一刀，便宣布“结果稳健”。这样的写法于己于人都无益。稳健性的本质，是对结论强度的自我审查：如果我的推理成立，在合理的替代口径、替代样本、替代模型或替代测度下，应该仍能得到同方向、同量级的结果。与其堆花样，不如聚焦于与你的识别逻辑最相关、与你的测量误差最可能冲突的那几项检验。对于观察性研究，围绕识别假设做敏感性分析(例如对未观测混杂的上界评估、对处理效应异质性的剖分)往往更有信息含量;对于实验与仿真，围绕边界条件与误差传播进行压力测试，能更清楚地界定“在哪些条件下仍然成立”。稳健性的目标不是“把结果洗到完美”，而是让读者知道：在怎样的怀疑下，结论仍站得住;在怎样的怀疑下，结论需要谦逊地承认边界。你越愿意展示这些边界，读者越容易相信你在说真话。

　　五、从“结果”到“意义”：把证据送回理论与现实

　　结果写作的最后，永远不要把自己停留在“报告者”的位置。数字讲完之后，更重要的是把它们送回理论与现实。回到理论，是说明这些结果对既有解释的支持、修正或挑战究竟在哪里;回到现实，是说明这些结果在学科语境或应用场景里意味着什么、能否转化为可执行的建议或可复制的方法。做到这一点，需要把“统计语言”再次翻译为“学术语言”和“人话”。不要只说“系数显著”，而要说“这说明××机制可能确实在发挥作用”;不要只说“R²提高了”，而要说“这意味着我们的模型捕捉到的变异更多来自××维度”;不要只说“新增变量控制后结果依旧”，而要说“这排除了××路径的主要干扰”。如果你的研究属于量化范式，还可以在这一节里简短交代“再现性”的线索：数据是否可获取、代码是否可运行、关键口径如何复做。这不仅提升了学术信任，也让读者有机会真正把你的结论用在自己的问题上。至于“局限与展望”，也不要写成模板化的客套话;最有价值的局限，是能清楚告诉读者“在这样的情境下别轻易推广”，最有价值的展望，是能指出“如果把××环节换成××口径，也许会得到不同的答案”。从结果到意义，是一次把证据送回共同体的过程，这一步做得好，论文的讨论段落就已经先赢了一半。

　　优秀的结果写作，并不靠术语与星号堆砌，而靠有节奏的叙事、可感知的效应量、清晰的图表与诚实的稳健性。当你能把“我算出来了”写成“我看到了什么、这意味着什么、在怎样的怀疑下仍然成立”，你的结果部分就具备了真正的说服力。至此，你的论文主线也更完整：综述长出问题，设计导向证据，证据回到理论与现实。