在应用工作中，依靠线性最小二乘回归来估计二元变量(“处理”)对某些感兴趣的结果的影响是标准实践。在本文中，我研究了当治疗效果实际上是异质时回归估计的解释。我表明，治疗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，通过对治疗结果、倾向评分及其相互作用的回归，计算两组(“治疗组”和“对照组”)的平均部分效应;第三，计算这两种效应的加权平均值，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，但最后一个属性——依赖于与每组比例成反比的隐含权重——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)关于冷战期间中情局成功干预对美国进口的影响;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，考虑到效应的异质性后，一些结论发生了巨大的变化。