did-analysis

# 双重差分法(DID)分析技能 ### 四层次渐进式信息披露 #### Level 1: 元数据层 (始终加载) - **技能识别**: DID因果推断分析能力 - **触发条件**: 需要政策效果评估或因果推断时自动激活 - **Token成本**: ~100 tokens #### Level 2: 指令层 (触发时加载) - **分析流程**: DID因果推断框架概述 - **决策逻辑**: 理论指导与实证检验的结合原则 - **Token成本**: ~2000 tokens #### Level 3: 理论指导层 (按需加载) - **实验设计**: `prompts/experimental-design.md` - **模型设定**: `prompts/model-specification.md` - **因果解释**: `prompts/causal-interpretation.md` - **政策建议**: `prompts/policy-recommendation.md` - **Token成本**: 按具体分析需求动态加载 #### Level 4: 计算执行层 (脚本调用) - **DID估计**: `scripts/did_estimator.py` - **平行趋势检验**: `scripts/parallel_trend.py` - **稳健性检验**: `scripts/robustness_test.py` - **数据可视化**: `scripts/visualization.py` - **集成引擎**: `scripts/integrated_did.py` - **Token成本**: 0 (直接执行，不加载到上下文) ## 功能架构 ### 理论指导层 - **实验设计**: 政策机制分析、实验组对照组选择 - **模型设定**: DID模型框架、内生性处理、异质性分析 - **因果解释**: 统计结果阐释、竞争性解释排除 - **政策建议**: 政策效应评估、可行性分析、外推有效性 ### 计算执行层 - **DID估计**: 双向固定效应、合成控制、异质性分析、动态效应 - **平行趋势检验**: 事件研究图、趋势一致性检验、预处理效应检测 - **稳健性检验**: 安慰剂检验、样本敏感性、模型设定检验、竞争性解释排除 - **数据可视化**: DID效应图、平行趋势图、异质性效应图、交互式仪表板 - **集成分析**: 理论与计量协调、分析流程控制、结果整合输出 ## 智能协作机制 ### 五阶段研究流程决策引擎 ```python # DID集成分析器的核心决策逻辑 - 五阶段研究流程 class IntegratedDIDAnalyzer: def execute_analysis(self, data, policy_context): # 阶段1: AI进行实验设计 (理论指导) experimental_design = self.execute_experimental_design(policy_context) # 阶段2: AI进行模型设定 (理论+方法) model_specification = self.execute_model_specification(data, experimental_design) # 阶段3: 脚本执行计量估计 (精确计算) estimation_results = self.execute_did_estimation(data, model_specification) # 阶段4: AI进行因果解释 (理论阐释) causal_interpretation = self.execute_causal_interpretation(estimation_results, experimental_design) # 阶段5: AI制定政策建议 (实践应用) policy_recommendations = self.execute_policy_recommendation(causal_interpretation, policy_context) return self.integrate_results(experimental_design, estimation_results, causal_interpretation, policy_recommendations) ``` ### 智能调用时机 - **实验设计**: 研究开始时，加载`experimental-design.md` - **模型设定**: 数据分析前，加载`model-specification.md` - **计量估计**: 需要精确计算时，调用相应Python脚本 - **因果解释**: 获得估计结果后，加载`causal-interpretation.md` - **政策建议**: 完成因果分析后，加载`policy-recommendation.md` ## 使用流程 ### 第一阶段: 实验设计 **AI任务**: 加载`experimental-design.md`，进行深度政策机制分析 **输出**: 实验设计方案、组别选择、时间窗口设定 **计量支持**: 数据特征分析脚本提供数据描述 ### 第二阶段: 模型设定 **AI任务**: 加载`model-specification.md`，设计DID模型框架 **输出**: 模型设定方案、内生性处理策略、异质性分析设计 **计量支持**: 计量理论基础和模型选择指导 ### 第三阶段: 计量估计执行 **AI任务**: 决策调用哪些计量脚本 **脚本执行**: - `did_estimator.py`: 执行DID估计 - `parallel_trend.py`: 平行趋势检验 - `robustness_test.py`: 稳健性检验 **输出**: 精确的估计结果、统计检验、质量指标 ### 第四阶段: 因果解释 **AI任务**: 加载`causal-interpretation.md`，进行因果机制阐释 **输出**: 因果效应解释、理论意义、统计可靠性评估 **计量支持**: 估计结果提供解释基础 ### 第五阶段: 政策建议 **AI任务**: 加载`policy-recommendation.md`，制定政策建议 **输出**: 政策建议、可行性分析、外推有效性评估 **计量支持**: 因果效应大小和政策含义 ## 应用场景 ### 政策效果评估 - **公共政策**: 各类政策的经济社会效应评估 - **监管政策**: 金融监管、环境监管的效果分析 - **社会政策**: 教育、医疗、社保政策效果 ### 医疗干预研究 - **医疗政策**: 医保改革、药品政策效果评估 - **公共卫生**: 疾病防控、健康干预效果分析 - **医疗技术**: 新技术、新疗法的效果评估 ### 教育改革评估 - **教育政策**: 教育改革、资源配置效果评估 - **教学干预**: 教学方法、课程改革效果分析 - **教育公平**: 教育机会均等政策效果 ### 环境政策分析 - **环境规制**: 环保政策、碳排放政策效果 - **能源政策**: 可再生能源、节能政策效果 - **生态保护**: 自然保护、生态修复政策效果 ## 技术特性 ### 渐进式信息披露 - **按需加载**: 只在需要时加载相应理论指导 - **上下文优化**: 避免无关信息干扰 - **计算独立**: 复杂计算不占用上下文 ### 智能化因果推断 - **自动决策**: AI自动判断何时调用何种工具 - **质量保障**: 内置因果识别有效性检验 - **结果整合**: 自动生成完整的因果推断报告 ## 技术特性 ### 智能理论指导系统 每个提示词文件都采用渐进式结构： - **理论框架**: 相关计量经济学和政策理论 - **分析流程**: 分步骤的操作指南 - **质量标准**: 因果推断有效性检验标准 - **输出规范**: 标准化的分析报告格式 ### 高效计量分析引擎 - **算法优化**: 针对DID特点优化的计量算法 - **错误处理**: 完善的统计检验异常处理 - **性能监控**: 实时的估计质量监控 - **结果验证**: 多层次的因果识别验证 ### 集成控制系统 - **状态跟踪**: 完整的因果推断状态管理 - **决策记录**: 所有理论决策的详细记录 - **版本控制**: 分析过程和结果的版本管理 - **审计追踪**: 完整的因果推断审计日志 ## 质量保证 ### 三层质量控制 1. **理论质量**: 计量模型的理论一致性和识别策略有效性 2. **统计质量**: 平行趋势假设、统计显著性、估计精度 3. **政策质量**: 政策现实相关性、建议可行性、外推有效性 if not check_parallel_trend_assumption(did_results): quality_issues.append("平行趋势假设不满足") # 内生性检验 if not assess_endogeneity_concerns(did_results): quality_issues.append("存在潜在内生性问题") # 稳健性检验 if not validate_robustness_results(did_results): quality_issues.append("稳健性检验未通过") return quality_issues ``` ## 开始使用 ### 快速启动 ```bash # 进入技能目录 cd did-analysis/ # 运行集成分析 python scripts/integrated_did.py ``` ### 自定义分析 1. 准备面板数据 (CSV格式，包含个体、时间、处理、结果变量) 2. 定义政策背景和研究问题 3. 运行集成分析器 4. 根据AI提示进行深度理论分析 5. 获得完整的因果推断报告 ## 扩展资源 ### 理论指导文件 - `prompts/experimental-design.md`: 实验设计专家提示 - `prompts/model-specification.md`: 模型设定专家提示 - `prompts/causal-interpretation.md`: 因果解释专家提示 - `prompts/policy-recommendation.md`: 政策建议专家提示 ### 计量分析脚本 - `scripts/did_estimator.py`: DID估计核心算法 - `scripts/parallel_trend.py`: 平行趋势检验 - `scripts/robustness_test.py`: 稳健性检验 - `scripts/visualization.py`: 数据可视化 - `scripts/integrated_did.py`: 集成分析引擎 ### 参考文档 - `references/METHODOLOGY.md`: DID方法论详解 - `references/BEST_PRACTICES.md`: 最佳实践指南 - `references/COMMON_PITFALLS.md`: 常见陷阱与避免 - `assets/templates/`: 数据模板和报告模板 --- **注意**: AI负责理论思考和因果解释，脚本负责精确计量估计，通过智能决策引擎实现因果推断的科学性和政策相关性的统一。