我会用下面三项反复对照，新增内容时就知道它应当放在哪里：

• 🔍 research question 指定正在回答的对象和关系；
• 🧰 data 与 method 说明证据怎样产生、依赖哪些条件；
• 📝 result 与 implication 说明数字支持到哪一层，结论在哪里停下。

这也解释了 Cover 里的风险：WIL 闭卷考有自己的通过要求，而 presentation 与 report 共用另一套项目证据。两条线混在一起复习，往往会让你把大量时间留给模型和写作，却没有单独整理 WIL experience and learning。

🔬 同一个教育回报为什么会差出一截

沿着刚才那条链，有意思的地方落在 Week 7 的教育回报例子上。

课堂材料先用 OLS 估计 education 与 log(wage) 的关系，结果约为 10.9%。然后换成 father's education 作为候选 instrument，IV estimate 变成约 5.9%。两个数字回答的仍是同一个大方向，可它们利用的数据变化和依赖的条件不同。first-stage t=9.28 支持 instrument relevance，说明候选工具与 education 有足够联系。接下来还要从研究设计和作用机制继续说明 exogeneity，first-stage 显著本身没有完成这项检查。这个差距就很有画面：你手上明明还是教育和工资，估计路径一换，能够辩护的数字也跟着变化。那我在读回归表时，就会先确认 estimate 对应的对象、单位和变化来源，再看模型处理了哪类污染路径。你学会这个动作以后，Week 9–11 的结果解释会顺很多，因为每个 finding 都能沿原路找到它依赖的数据、方法与假设。

说到这里，模型复杂度已经退到第二位。沿着证据来源解释数字，并让 implication 留在研究设计撑得住的范围内，这两个动作更能体现这门课的性格。

🧩 留一张表贯穿研究和交付

这门课可以带走的 省力法则，就是让每个 research question 始终绑定 data、method、result 和 implication。你不需要到写报告时再补这条链；Week 1–3 定问题时先开表，Week 4–7 每换一个变量或模型就更新一次，Week 9–11 再把结果和结论边界填进去。比如教育回报这一行，result 可以填「OLS 约 10.9%，IV 约 5.9%」，method 一格同时注明 relevance 已有 first-stage 证据、exogeneity 仍要靠设计论证。这样一行已经能提醒你，presentation 可以压缩表达，report 可以展开论证，核心数字与边界仍需一致。

A1 的 WIL 内容继续放在独立页面。A2 和 A3 则复用同一张 research-chain 表：口头版挑出问题、核心 finding 和含义，书面版补全方法、解释、局限与引用。那你每次加入新内容，都先找它应该落在哪一格；找不到位置时，就回去修研究设计或收窄主张，避免让后面的两次交付替前面的错位买单。

➡️ 黄金法则：每个 research question 都绑定 data、method、result 和 implication，WIL 复习另开一页。