值得说明的是，和其他很多社会科学中的定量研究类似，陈冬华等采用了统计学和计量经济学中常用的“回归”方程的方法来建立并解释不同变量之间的关系。正如前文所说，回归模型在大部分情况下预测的结果是相关性的关系而不是因果关系。计量经济学和统计学中发展出一系列的定量方法对标准的回归模型进行修正和扩展，以期得到更强的类似于因果关系的结论。在量化社会科学中，最常见的一种修正被称为“工具变量”的方法。在普通的线性回归模型中，当核心的那个自变量和其他的一些不可观测的变量有相关性的时候，回归结果中的系数就不是因果关系。这在量化社会科学的研究中通常被称为“内生性”问题。
一旦存在“内生性”问题的可能性，研究者对回归系数的解释就需要非常谨慎。在大部分情况下，可能并不一定存在研究者在最初假设中提出的因果关系，或者有些时候甚至还可能存在反向因果的关系。一旦反向因果关系出现，那就意味着最初的假设被证伪了。具体到陈冬华等的研究中提到的问题，“内生性”的问题就是说，个体的诗歌造诣可能和其他的能潜在影响个人道德品质的随机因素关联在一起，而这些因素我们又没法度量。这时诗歌造诣可能会通过影响其他因素来影响个人的道德品质。从而，这个影响是间接的，并非我们最初假设中提到的更直接的机制。量化社会科学中通常使用的“工具变量”方法[19]，可以在一定程度上解决这个问题，帮助研究者更清楚地看到核心的那个解释变量如何直接影响被解释的那个因素。
这一看似神奇的“工具变量”，在实际的研究操作中并不一定很实用。很多时候很难科学地验证一个“工具变量”是否可靠。同时，在很多研究中，找到一个性质比较好的“工具变量”也是可遇而不可求的。而且，即使存在一个好的工具变量，计量分析的结果也不能完全被解释成因果关系。因此，和统计方法在社会科学中的应用类似，学者们在数字人文的研究中阐释定量数据分析的结果时一定要谨慎。切不可武断地将相关关系解释成因果关系。