did-analysis

name	did-analysis
description	执行双重差分法(DID)因果推断分析，结合计量经济学理论、统计检验方法、政策评估实践和数据科学技术。包含实验设计、模型设定、因果估计、政策解释四个阶段。
license	MIT
compatibility	Python 3.8+, pandas, numpy, scipy, statsmodels, matplotlib, seaborn
metadata	{"domain":"causal-inference","methodology":"difference-in-differences","complexity":"advanced","version":"2.0.0","integration_type":"theoretical_quantitative","author":"socienceAI.com","website":"http://agentpsy.com"}
allowed-tools	python bash read_file write_file task

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

# 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。