gl-thesis-variable-selection

name	gl-thesis-variable-selection
description	帮助中国高校经管类本科生和硕士生审查普通 AI 给出的变量答案，并把已确定的论文题目转成可执行的变量设计。用于 AI 变量方案纠错、核心解释变量和被解释变量衡量、主口径与替代口径选择、熵值法或主成分分析判断、数据可得性评分、10篇文献控制变量筛选、控制变量矩阵和变量表生成；不用于从零选题、直接下载最终数据、运行回归或为显著性倒推变量。

GL 论文选题变量确定 Skill

核心任务

把“题目里的概念”转成有文献依据、有数据来源、能复现的变量方案。

核心顺序：

先分变量角色
→ 再查衡量口径
→ 再过数据闸门
→ 再筛控制变量
→ 最后形成研究方案

使用前提醒

本 Skill 需要检索真实文献来核验变量口径和控制变量，建议本机提前安装并启用：

• CNKI Skill 套件：用于检索中文经管文献、硕博论文和变量衡量方式，例如 cnki-search、cnki-paper-detail。
• GS Skill 套件：用于检索 Google Scholar 英文文献、机制和替代口径，例如 gs-search、gs-fulltext。
• 文档读取工具：用于读取用户提供的 PDF、Word 和 Excel 文献。

开始任务时先检查上述工具是否可用。若 CNKI Skill 或 GS Skill 未安装，必须明确提醒使用者先安装相关 Skill；在工具恢复前只能生成初步候选方案，所有未经真实文献核验的结论必须标注“待核验”，不得伪造文献依据。

输入检查

先检查 CNKI Skill、GS Skill 和文档读取工具是否可用，再读取用户提供的题目、学历、专业、论文用途、10 篇相关实证文献和可用数据源。

信息不足时最多问 5 个关键问题。若用户未提供 10 篇文献且当前环境有 CNKI、Google Scholar 或文献检索工具，主动补充检索；工具不可用时标注“待核验”，不得编造。

执行流程

1. 审查已有 AI 答案：用户提供普通 AI 的变量方案时，先读取 AI 变量答案审查规则，检查证据、角色、口径、固定效应、内生性和数据落地风险。
2. 分变量角色：识别 Y、X、控制变量、机制变量、调节变量和异质性分组。机制变量或后处理变量不得机械放入基准控制变量。
3. 确定核心变量口径：读取 核心变量衡量规则，输出主衡量方式、替代衡量方式、公式、文献和数据来源。
4. 评估数据可得性：读取 数据可得性评分，完成六维评分和红黄绿闸门。
5. 筛选控制变量：读取 控制变量筛选规则，从 10 篇文献抽取、对齐、计频并检查理论必要性。
6. 生成交付物：读取 输出契约，生成变量设计报告和控制变量矩阵。需要 Excel 时复制 assets/控制变量文献矩阵模板.xlsx，不修改原始模板。

硬规则

• 变量名称相似不等于衡量口径相同；ROA/ROE、企业年龄/上市年限、Top1/Top10 不得强行合并。
• 高频控制变量只代表文献共识信号，不代表自动必选。
• size、lev 是企业层面高频基础候选，不是所有研究的绝对必选。
• 8-10 个控制变量是常见起点，不是数量指标；不得为了凑数加入无理论依据的变量。
• 固定效应不计入控制变量数量。
• 企业面板首先检查企业固定效应与年份固定效应；加入企业固定效应后，不机械叠加基本不变的行业和地区固定效应。
• 滞后一期不能自动解决内生性；工具变量必须单独论证相关性、排除性和数据可行性。
• 硕士变量可以多源合并或构建综合指数，但不是越复杂越好。
• 熵值法权重表示样本信息差异，不等于理论重要性。
• 爬虫数据并非天然不被认可，但技术、合规、清洗和复现风险通常更高。
• 不为追求显著性先定结论，再倒推变量或控制变量。
• 任何未从真实文献或数据源确认的内容都标注“待核验”。

工具路由

• 中文变量口径与控制变量文献：优先 CNKI、中文权威经管期刊、CSSCI 和北大核心。
• 英文前沿、机制与替代口径：使用 Google Scholar 或英文文献检索工具补充。
• 表格交付：优先生成 .xlsx；同时在 Markdown 报告中给出可预览的摘要表。
• 用户提供 PDF、Word 或 Excel 时，先读取原文件，不凭标题猜测变量定义。

中文核心文献检索与全文核验流程

中文核心论文不能只凭搜索结果摘要或题名进入控制变量矩阵。按以下顺序执行，并把每一步的证据留存到项目文件中。

1. 先筛期刊层级，再筛题目相关性

1. 在 CNKI 高级检索中使用题名或主题组合检索，例如“数字化转型 AND 绿色创新”。
2. 在来源限定中选择“CSSCI”和“北大核心”相关来源；如果页面把两者作为并集筛选，报告中写明“至少命中其中一种”，不要笼统写成“顶刊”。
3. 优先保留同一被解释变量、同一数据层级和相近样本的中文核心实证论文；可按被引量排序用于发现高影响文献，但被引量不是核心级别证明。
4. 每篇候选必须核对作者、题名、期刊、年份、卷期、页码和 DOI。题名相同的论文必须继续核对作者和期刊，不得按题名唯一匹配。

2. 中文全文获取优先级

按下列顺序尝试合法全文入口：

1. 学校图书馆的 CNKI、万方或维普机构权限，包括 WebVPN、CARSI 和校外统一认证。
2. 国家哲学社会科学文献中心（ncpssd.cn）的个人或机构登录资源。检索结果中的“阅读全文/全文下载”是有效入口；不要直接复制带临时签名的 PDF 地址。
3. 期刊官方网站、DOI 落地页、作者所在高校成果库或作者公开稿。
4. 图书馆馆际互借、CALIS/CASHL 文献传递或向作者请求合法作者稿。

个人账号登录不等于拥有 CNKI 全文权限；不得绕过付费、破解权限、共享他人账号或使用来源不明的网盘文件。需要登录态、动态页面或浏览器交互时，使用 web-access；若 CDP/浏览器授权失败，先按全局 Agent 指令用 computer-use 检查并处理授权弹窗。

3. 同名论文与期刊误匹配防护

取得全文后必须检查 PDF 首页或期刊官网详情页的作者、期刊、年份和 DOI，并与检索记录逐项比对。发现同名但期刊不同、年份不同或作者不同的文件时：

• 将其移出核心文献目录并记录为“同名误匹配”；
• 不得使用误匹配论文的控制变量替代目标论文；
• 如果目标论文没有可验证全文，标记“全文待核验”，或用同一 X/Y、同一层级的另一篇核心实证论文替换，并在报告中说明替换原因。

4. PDF 有效性检查

下载或获取后至少检查：

• MIME 类型为 application/pdf，文件大小大于 0；
• 文件头为 %PDF，能够被 pypdf、pdfplumber 或等效工具打开；
• 页数、正文文本和首页题录可读取；
• 记录本地文件路径、获取入口和核验日期。

直接访问 PDF 返回 403、空文件或“来源应用不正确”时，不把它视为全文已获取。很多平台的全文链接带会话签名，必须从已登录页面点击或通过页面授权流程获取。

5. 从全文提取变量证据

全文核验至少提取以下字段：

• 样本层级、样本年份、样本筛选和数据来源；
• 核心 X、被解释变量 Y 的定义、公式和替代口径；
• 原文控制变量名称和每个变量的计算方式；
• 企业/年份/行业/地区固定效应及标准误聚类层级；
• 中介变量、调节变量、异质性分组和内生性处理；
• 变量定义所在页码、章节或表格编号。

控制变量矩阵的单元格保留原文写法；ROA/ROE、企业成立年龄/上市年限、Top1/Top5/Top10、现金流不同分母、专利申请/授权等口径必须分行。只在全文公式或表格确认后计入频次，摘要中提到的机制变量不能直接当作控制变量。

6. 文献证据留痕与替换规则

项目交付至少保留：

• 控制变量文献矩阵.xlsx：文献登记、原文变量、口径、固定效应、聚类方式和公式频次；
• 变量设计报告.md：核心变量主口径、替代口径、控制变量频次和最终取舍；
• 待核验清单.md：全文缺失、同名误匹配、页码不明、数据库权限和字段覆盖风险；
• 核心文献全文/ 或等效目录：已验证 PDF 及必要的文本提取文件。

任何全文未取得、题录未核对或变量公式未确认的内容都必须标注“待核验”，不得为了凑足 10 篇或提高某个变量频次而引入非核心论文、同名误匹配或摘要推断。

输出契约

至少交付：

1. AI变量方案审查.md（用户提供 AI 回答时）
2. 变量设计报告.md
3. 控制变量文献矩阵.xlsx
4. 待核验清单.md

报告必须包括：学生场景、变量角色、核心变量衡量、数据评分、控制变量频次与理论判断、最终变量清单、不建议变量、风险和下一步。

排除范围

• 从零寻找论文方向或生成选题。
• 代替用户下载付费数据库或破解权限。
• 在没有真实数据时直接运行正式回归。
• 纯问卷量表设计与信效度分析。
• 为获得显著结果而隐藏变量筛选过程。