| 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
class IntegratedDIDAnalyzer:
def execute_analysis(self, data, policy_context):
experimental_design = self.execute_experimental_design(policy_context)
model_specification = self.execute_model_specification(data, experimental_design)
estimation_results = self.execute_did_estimation(data, model_specification)
causal_interpretation = self.execute_causal_interpretation(estimation_results, experimental_design)
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
-
理论质量: 计量模型的理论一致性和识别策略有效性
-
统计质量: 平行趋势假设、统计显著性、估计精度
-
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
- 准备面板数据 (CSV格式，包含个体、时间、处理、结果变量)
- 定义政策背景和研究问题
- 运行集成分析器
- 根据AI提示进行深度理论分析
- 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。
