EPQ（Extended Project Qualification）要求学生独立完成一项研究，从选题、文献综述、数据分析到最终论文写作，完整走一遍学术研究流程。本文以一个经济类EPQ项目为例，梳理其研究设计、数据处理和结论推导过程，供计划开展类似课题的学生参考。
项目概况
该EPQ课题为《技术革新和政府政策干预在多大程度上导致了中国的失业问题？》（To what extent do technological advancements and government policy interventions contribute to unemployment in China?）。项目采用二手研究法，基于长周期的宏观经济数据，结合多篇文献，完成了一篇英文论文。
选题与收窄：从“所有因素”到可操作变量
学生最初的选题是“影响中国失业的所有因素”，但在与导师首次讨论后意识到，有限篇幅的论文无法容纳所有因素。导师建议使用PEST框架（政治、经济、社会、技术）将因素分类，并优先保留数据可得性高的方向。最终筛选出“技术进步”和“政府政策”两个变量。
这一筛选过程直接影响了研究设计。技术进步相关的文献非常丰富，关键词搜索即可找到大量关于job displacement（岗位替代）的研究；而政府政策对失业影响的文献相对较少，国内数据尤其难获取，部分数据需要从国外平台查找。学生前后修改了两次题目，才最终确定研究范围。
数据与文献：宏观数据与CRAAP筛选
研究数据包括失业率、最低工资增长趋势、AI使用率、研发支出占GDP比重、一般公共支出占GDP比重等，均在Excel中自行整理。文献筛选采用CRAAP标准（即评估信息的时效性、相关性、权威性、准确性和目的），每篇文献都记录在reading log中。
学生提到，一篇对比中美失业数据的研究论文对其影响最大，该文指出部分失业数据可能存在统计口径差异，这一观点促使学生在结论中谨慎处理数据局限性。
项目未进行一手调研（如问卷、访谈），原因有二：一是全国层面的宏观问题难以通过主观数据获得权威结论；二是项目期间正值考试季，时间紧张。导师也建议直接使用二手数据。
回归结果与反向因果解释
初步回归结果显示，AI使用率与失业率之间系数不显著，即“AI导致失业”的假设未得到支持。学生最初怀疑自己操作有误，但在导师协助排查后，提出可能因果方向相反：失业率上升可能推动企业采用AI以降低成本，而非AI导致失业。
更意外的发现是“一般公共支出占GDP比重”与失业率呈显著正相关，这与课本中“政府支出增加→总需求右移→失业下降”的逻辑相反。学生提出三种解释：
- 挤出效应：政府支出增加可能挤占私人部门投资和招聘；
- 福利效应：过高的福利可能降低部分人群的求职意愿；
- 反向因果：失业率上升迫使政府增加福利和刺激支出，即失业推高支出，而非支出造成失业。
学生认为反向因果是最关键的解释，并将其写入结论。同时，在导师建议下，文献综述中加入了技术进步对就业的正面影响，避免单一负面叙事。最终结论是：若政府管控有分寸，技术革新对就业的冲击不会失控。
研究过程中的时间管理与导师支持
项目期间学生同时面临大考和经济论文竞赛，时间紧张。学生改变了以往拖延的习惯，开始每日列任务清单，按周推进研究进度。导师分工明确：英方导师负责论文框架和方向把控，建议聚焦时间段和地区因素，强调数据呈现要精准；中方导师负责细节答疑，包括数据查找和变量替换等。
对EPQ研究者的建议
从该项目可提炼出几点通用建议：
- 选题前先评估数据可得性：尤其做二手研究时，数据量不足会限制分析深度和结论可靠性。
- 保持每周推进：即使每周只写一点，也比最后集中突击更有效。
- 接受“反常识”结果：回归结果与理论不符时，先检查操作，再考虑因果方向、遗漏变量等解释，而非直接否定数据。
该案例展示了EPQ如何将课本知识（如A2经济中的失业理论、总需求模型）转化为实际研究工具。学生表示，通过完整走一遍研究流程，才真正理解论文的逻辑框架是如何建立的，也确认了自己对经济学的兴趣。
