在应用工作中，依赖线性最小二乘回归来估计二元变量(“处理”)对某些感兴趣结果的影响是标准做法。在这篇论文中，我研究了回归估计的解释，当治疗效果实际上是异质的。我证明了治疗的系数与以下三步程序的结果相同:首先，计算治疗在其他协变量向量上的线性投影(“倾向得分”);其次，计算两个感兴趣的组(“治疗组”和“对照组”)的平均部分效应，从治疗结果的回归，倾向评分，和他们的相互作用;第三，计算这两种影响的加权平均值，权重与单位属于给定组的无条件概率成反比。这些步骤中的每一步都有潜在的问题，但最后一个性质-依赖于隐式权重，它与每组的比例成反比-可能会对应用工作产生特别严重的后果。为了说明这一结果的重要性，我进行了蒙特卡罗模拟，并复制了两篇应用论文:Berger, Easterly, Nunn和Satyanath(2013)关于冷战期间CIA成功干预从美国进口的影响;和Martinez-Bravo(2014)研究了任命官员对印度尼西亚村级选举结果的影响。在这两种情况下，在考虑了效应的异质性后，一些结论发生了巨大变化。