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 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。