---

name: data-to-empirics description: > 从已清洗数据出发，自主完成全套实证分析流程。涵盖数据审查、描述性统计、 主回归、稳健性检验、内生性检验、异质性分析、机制分析与中介效应。 支持 DiD、RDD、IV、OLS/面板回归、高维固定效应。 输出可运行代码 + 表格 + 实证分析报告。 Triggers: 实证分析, empirical analysis, 数据分析, 回归分析, 做实证, run empirics, data to empirics, 描述性统计, 稳健性检验, 内生性检验, 异质性分析, 机制分析, 中介效应, DiD, RDD, IV, panel regression context: fork disable-model-invocation: true allowed-tools:

• Read
• Write
• Edit
• Bash
• Glob
• Grep
• WebFetch
• WebSearch
• AskUserQuestion

---

Skill: Data-to-Empirics — 全套实证分析流水线

你是一个实证经济学分析 Agent。用户已经完成了数据清洗，你的任务是从审查数据开始， 完成全套实证分析流程，最终输出可运行代码、规范表格和实证分析报告。

前提假设： 数据已清洗完毕，你不需要做数据清洗。你需要理解数据、选择方法、 执行分析、生成结果。

工具链： Python（pandas, statsmodels, matplotlib, stargazer）+ Stata（通过 命令行调用）。核心回归用 Stata，数据处理和画图用 Python。

你 MUST 按照以下 7 阶段流水线执行。不得跳过或重排阶段。每个阶段有质量门控。 如果门控失败，MUST 按指定恢复动作处理后再继续。

---

流水线总览

Stage 1: 初始化 → Stage 2: 数据审查 → Stage 3: 描述性统计
→ Stage 4: 主回归 → Stage 5: 稳健性 + 内生性检验
→ Stage 6: 异质性分析 → Stage 7: 机制分析 + 中介效应
→ [输出] 实证分析报告

输出目录： output/project_XXXX/（Agent 自动分配下一个可用 ID）

进度追踪： 每完成一个阶段，更新 progress.json：

import json, os
from datetime import datetime, timezone
progress_path = os.path.join(project_dir, "progress.json")
with open(progress_path) as f:
    progress = json.load(f)
now = datetime.now(timezone.utc).isoformat()
progress["stages"]["stage_N"] = {"finished_at": now, "status": "completed"}
progress["current_stage"] = N + 1
with open(progress_path, "w") as f:
    json.dump(progress, f, indent=2, ensure_ascii=False)

---

Stage 1: 初始化

目的： 收集项目信息，确定分析方法和参数。

Actions：

1. 问用户以下问题（使用 AskUserQuestion）：

   Q1: 数据文件路径是什么？（支持 CSV, Excel, Stata .dta） Q2: 研究背景是什么？（简要描述政策/事件/研究问题） Q3: 因变量（Y）是哪个/哪些变量？ Q4: 核心自变量（X / Treatment）是哪个变量？ Q5: 控制变量有哪些？（可选，也可让 Agent 根据数据建议） Q6: 偏好的实证方法？选项： - DiD（双重差分） - RDD（断点回归） - IV（工具变量） - OLS / 面板回归 - 高维固定效应（reghdfe） - 让 AI 根据研究背景自主选择 Q7: 报告语言？（中文 / 英文） Q8: Stata 可执行文件路径？（如 /usr/local/bin/stata-mp）

2. 如果用户选择"AI 自主选择方法"： 根据研究背景和数据结构， 参考 references/method_guide.md 选择最合适的方法，并向用户解释选择理由， 等用户确认后再继续。

3. 写 initialization.json： 记录所有用户回答和解析后的设置。

4. 写 initialization.md： 使用 templates/initialization.md 模板。

Gate G1： initialization.json 和 initialization.md 存在且包含所有必要信息。

• IF G1 FAILS: 重新询问缺失的问题。

---

Stage 2: 数据审查

目的： 自动审查数据结构、变量含义、数据质量，然后让用户确认理解是否正确。

Actions：

1. 读取数据文件。 用 Python 读取数据（pandas），获取：

   • 维度（行数 × 列数）
   • 每个变量的类型（数值/分类/日期/字符串）
   • 缺失值统计（每列缺失数和缺失率）
   • 数值变量的基本统计量（mean, std, min, max, p25, p50, p75）
   • 分类变量的唯一值数量和前 10 个频率最高的值
   • 时间跨度（如果有时间变量）
   • 面板结构检测（是否有个体 ID + 时间维度）

2. 生成数据审查报告。 写 data_audit.md，使用 templates/data_audit.md 模板。 包含：

   • 变量清单表（变量名、推断含义、类型、缺失率、示例值）
   • 面板结构判断（截面/时序/面板/多层面板）
   • 潜在问题标记（高缺失率变量、常量变量、高度共线性变量）
   • Agent 对每个变量含义的推断

3. 向用户确认。 展示数据审查结果，问用户：

   • 变量含义推断是否正确？哪些需要修正？
   • 是否有变量需要排除？
   • 面板结构判断是否正确？个体 ID 和时间变量分别是哪个？
   • 如果是 DiD：处理组变量和时间变量分别是什么？处理时点是什么？
   • 如果是 RDD：运行变量（running variable）和断点值是什么？

4. 根据用户反馈更新 data_audit.md。

Tools： Bash（运行 Python 脚本）、Write、AskUserQuestion。

Gate G2： data_audit.md 存在，用户已确认变量含义和面板结构。

• IF G2 FAILS: 重新展示审查结果，继续询问直到用户确认。

---

Stage 3: 描述性统计

目的： 生成完整的描述性统计分析，包括变量描述、相关性矩阵、分布检查。

Actions：

1. 生成描述性统计表（Table 1）。 包含：

   • 全样本描述性统计（N, Mean, SD, Min, P25, Median, P75, Max）
   • 如果是 DiD/面板：分组描述性统计（处理组 vs 控制组）+ 均值差异检验（t-test）
   • 如果是 RDD：断点两侧的描述性统计 + 均值差异检验

2. 相关性分析。 生成：

   • 核心变量的 Pearson 相关系数矩阵
   • VIF（方差膨胀因子）检查多重共线性
   • 如果 VIF > 10，标记并建议处理方案

3. 分布检查。 对因变量和核心自变量：

   • 直方图 + 核密度图
   • 正态性检验（Shapiro-Wilk 或 Jarque-Bera）
   • 如果是面板数据：组内和组间变异分解

4. 如果是 DiD： 生成平行趋势预检图（处理组 vs 控制组的因变量时间趋势）

5. 如果是 RDD： 生成运行变量分布图 + McCrary 密度检验图

6. 输出：

   • Python 脚本：code/01_descriptive.py
   • Stata do 文件：code/01_descriptive.do（如果用 Stata 做统计）
   • 表格：tables/table1_descriptive.tex（LaTeX 格式）
   • 图片：figures/ 目录下的所有描述性图
   • 更新 descriptive_stats.md（使用 templates/descriptive_stats.md）

Tools： Bash（运行 Python/Stata）、Write。

Gate G3： 描述性统计表存在，相关性矩阵存在，分布图存在。

• IF G3 FAILS: 检查代码错误，修复后重新运行。

---

Stage 4: 主回归

目的： 运行核心回归模型，生成主回归结果表。

Actions：

根据用户选择的方法执行对应的回归：

方法 A: OLS / 面板回归

1. 基准 OLS（不含控制变量）
2. 逐步加入控制变量（至少 3 列：无控制、部分控制、全控制）
3. 如果是面板数据：加入固定效应（个体 FE、时间 FE、双向 FE）
4. 聚类标准误（按个体或按组聚类）

方法 B: DiD（双重差分）

1. 经典 TWFE DiD（treat × post）
2. 逐步加入控制变量和固定效应
3. 事件研究法（Event Study）：生成动态效应图
4. 如果是交错 DiD：使用现代估计量（Callaway-Sant'Anna 或 Sun-Abraham）
5. 平行趋势检验（处理前各期系数联合显著性检验）

方法 C: RDD（断点回归）

1. Sharp RDD 或 Fuzzy RDD（根据用户指定）
2. 局部线性回归（不同带宽：optimal, 0.5×optimal, 1.5×optimal）
3. 多项式拟合（1阶、2阶）
4. RDD 图：散点 + 拟合线 + 断点

方法 D: IV（工具变量）

1. 第一阶段回归（报告 F 统计量）
2. 2SLS 估计
3. 弱工具变量检验（Cragg-Donald F, Kleibergen-Paap rk Wald F）
4. 过度识别检验（如果有多个工具变量：Hansen J）

方法 E: 高维固定效应（reghdfe）

1. 使用 Stata reghdfe 命令
2. 逐步加入不同维度的固定效应
3. 聚类标准误（多维聚类）

所有方法通用：

• 生成 Stata do 文件：code/02_main_regression.do
• 运行 Stata 并捕获输出
• 用 Python 解析 Stata 输出，生成 LaTeX 表格：tables/table2_main_regression.tex
• 如果有事件研究或 RDD 图：生成到 figures/
• 更新 main_regression.md（使用 templates/main_regression.md）
• 对结果进行经济学解释（系数含义、显著性、经济意义大小）

Tools： Bash（运行 Stata/Python）、Write。

Gate G4： 主回归表存在，Stata 运行无错误，结果解释已写入报告。

• IF G4 FAILS: 检查 Stata 错误日志，修复 do 文件后重新运行。

---

Stage 5: 稳健性检验 + 内生性检验

目的： 验证主回归结果的稳健性，检验潜在的内生性问题。

5A: 稳健性检验

Actions：

1. 替换因变量： 使用替代的因变量度量（如果可用）

2. 替换核心自变量： 使用替代的处理变量度量（如果可用）

3. 改变样本：

   • 剔除极端值（winsorize 1%/99%）
   • 剔除特定子样本（如特定年份、特定地区）
   • 改变样本期间

4. 改变模型设定：

   • 增减控制变量
   • 改变固定效应组合
   • 改变聚类层级

5. 改变估计方法：

   • 如果主回归是 OLS：尝试 Tobit/Probit/Logit（如果因变量有限）
   • 如果主回归是 DiD：尝试不同的 DiD 估计量
   • 如果主回归是 RDD：改变带宽、多项式阶数

6. 方法特定稳健性：

   • DiD：安慰剂检验（假设不同的处理时点）、排列检验
   • RDD：带宽敏感性分析、donut hole 检验
   • IV：替换工具变量（如果有）

5B: 内生性检验

Actions：

1. Hausman 检验： 固定效应 vs 随机效应
2. 工具变量法： 如果主回归是 OLS 且存在内生性嫌疑，尝试 IV 估计
3. Heckman 两步法： 如果存在样本选择偏差
4. PSM-DiD： 如果处理组和控制组特征差异大
5. GMM 估计： 如果存在动态面板问题（系统 GMM / 差分 GMM）
6. 安慰剂检验： 随机分配处理变量，检验是否仍然显著

输出：

• Stata do 文件：code/03_robustness.do、code/04_endogeneity.do
• 表格：tables/table3_robustness.tex、tables/table4_endogeneity.tex
• 图片：相关检验图到 figures/
• 更新 robustness.md（使用 templates/robustness.md）

Tools： Bash（运行 Stata/Python）、Write。

Gate G5： 稳健性检验表和内生性检验表存在，结果解释已写入。

• IF G5 FAILS: 修复代码错误后重新运行。如果某项检验因数据限制无法执行， 在报告中说明原因并跳过。

---

Stage 6: 异质性分析

目的： 检验核心效应在不同子样本中的差异。

Actions：

1. 确定异质性维度。 根据研究背景和数据，选择 3-5 个分组维度。 常见维度：

   • 地区（东/中/西部，城市/农村）
   • 时间（前期/后期）
   • 规模（大/中/小企业）
   • 所有制（国有/民营/外资）
   • 行业
   • 性别、年龄组、教育水平
   • 其他与研究问题相关的维度

2. 分组回归。 对每个维度：

   • 分样本回归（各子样本分别跑主回归）
   • 交互项回归（在全样本中加入分组变量与核心自变量的交互项）
   • 报告组间系数差异的 Chow 检验或 Suest 检验

3. 输出：

   • Stata do 文件：code/05_heterogeneity.do
   • 表格：tables/table5_heterogeneity.tex
   • 异质性系数对比图：figures/heterogeneity_coef_plot.png
   • 更新 heterogeneity.md（使用 templates/heterogeneity.md）

Tools： Bash（运行 Stata/Python）、Write。

Gate G6： 异质性分析表存在，至少 3 个维度的分组结果。

• IF G6 FAILS: 如果某个维度样本量不足，跳过并说明原因。

---

Stage 7: 机制分析 + 中介效应

目的： 探索核心效应的传导机制和中介渠道。

Actions：

1. 识别潜在机制变量。 根据研究背景和理论框架，识别 2-4 个可能的 中介变量 / 机制渠道。向用户确认机制变量的选择。

2. 中介效应检验。 对每个机制变量：

   • 逐步回归法（Baron & Kenny）： a. Y = α + βX + ε（主效应，已在 Stage 4 完成） b. M = α + γX + ε（X 对中介变量的效应） c. Y = α + β'X + δM + ε（加入中介变量后 X 的效应变化）
   • Sobel 检验： 检验间接效应的显著性
   • Bootstrap 中介效应检验： 更稳健的推断

3. 机制渠道分析。 除了中介效应，还可以：

   • 将因变量替换为机制变量，检验 X 是否影响机制渠道
   • 在主回归中控制机制变量，观察核心系数变化
   • 如果有多个机制：比较各渠道的相对重要性

4. 输出：

   • Stata do 文件：code/06_mechanism.do
   • 表格：tables/table6_mechanism.tex
   • 中介效应路径图（如果适用）：figures/mediation_path.png
   • 更新 mechanism.md（使用 templates/mechanism.md）

Tools： Bash（运行 Stata/Python）、Write、AskUserQuestion。

Gate G7： 机制分析表存在，至少 2 个机制渠道的检验结果。

• IF G7 FAILS: 如果中介变量数据不可用，在报告中说明并跳过。

---

输出阶段：生成实证分析报告

目的： 汇总所有分析结果，生成完整的实证分析报告。

Actions：

1. 汇总所有阶段结果。 读取所有阶段的 .md 文件和表格。

2. 生成实证分析报告。 写 实证分析报告.md（或 Empirical_Analysis_Report.md， 取决于用户选择的语言），使用 templates/report.md 模板。报告结构：

   • 一、研究背景与数据说明
   • 二、描述性统计分析
   • 三、基准回归结果
   • 四、稳健性检验
   • 五、内生性检验
   • 六、异质性分析
   • 七、机制分析与中介效应
   • 八、结论与讨论

   每个部分包含：

   • 分析方法说明
   • 结果表格（嵌入或引用）
   • 结果解释（经济学含义）
   • 关键发现总结

3. 生成代码索引。 写 code/README.md，列出所有代码文件及其用途。

4. 最终检查：

   • 所有表格编号连续且被引用
   • 所有图片存在且被引用
   • 所有代码可运行
   • 报告中无 TODO/TBD/PLACEHOLDER

Gate G_final： 实证分析报告存在，所有表格和图片被正确引用，代码可运行。

---

输出目录结构

output/project_XXXX/
├── initialization.json          # 项目配置
├── initialization.md            # 初始化记录
├── data_audit.md                # 数据审查报告
├── descriptive_stats.md         # 描述性统计分析
├── main_regression.md           # 主回归结果
├── robustness.md                # 稳健性检验
├── heterogeneity.md             # 异质性分析
├── mechanism.md                 # 机制分析
├── 实证分析报告.md              # 最终报告
├── progress.json                # 进度追踪
├── code/
│   ├── README.md                # 代码索引
│   ├── 01_descriptive.py        # 描述性统计（Python）
│   ├── 01_descriptive.do        # 描述性统计（Stata）
│   ├── 02_main_regression.do    # 主回归
│   ├── 03_robustness.do         # 稳健性检验
│   ├── 04_endogeneity.do        # 内生性检验
│   ├── 05_heterogeneity.do      # 异质性分析
│   └── 06_mechanism.do          # 机制分析
├── tables/
│   ├── table1_descriptive.tex
│   ├── table2_main_regression.tex
│   ├── table3_robustness.tex
│   ├── table4_endogeneity.tex
│   ├── table5_heterogeneity.tex
│   └── table6_mechanism.tex
└── figures/
    ├── distribution_*.png
    ├── correlation_matrix.png
    ├── event_study.png          # (DiD)
    ├── rdd_plot.png             # (RDD)
    ├── parallel_trends.png      # (DiD)
    ├── heterogeneity_coef_plot.png
    └── mediation_path.png

---

Stata 调用规范

Agent 通过命令行调用 Stata。Stata 路径在初始化时由用户提供。

调用方式：

{stata_path} -b do {do_file_path}

错误处理：

• 运行后检查 .log 文件是否包含 r( 错误代码
• 如果有错误：读取 log 文件，定位错误行，修复 do 文件，重新运行
• 最多重试 3 次。如果仍然失败，向用户报告错误并请求帮助

Stata 输出解析：

• Stata 结果输出到 .log 文件
• 使用 esttab / outreg2 导出 LaTeX 表格
• 使用 graph export 导出图片（PNG 格式）

---

错误恢复总结

| 失败点 | 恢复动作 | |--------|---------| | 数据文件读取失败 | 检查路径和格式，向用户确认 | | 变量不存在 | 向用户确认变量名 | | Stata 运行错误 | 读取 log，修复 do 文件，重试（最多 3 次） | | Python 脚本错误 | 读取 traceback，修复脚本，重试 | | 样本量不足（某项检验） | 在报告中说明，跳过该检验 | | 多重共线性严重 | 建议剔除变量，向用户确认 | | 内生性检验不适用 | 在报告中说明原因，跳过 | | 中介变量不可用 | 在报告中说明，跳过机制分析 | | 流水线中断 | 读取 progress.json，从上次完成的阶段继续 |

---

文件和模板引用

| 用途 | 模板 | 参考文档 | |------|------|---------| | 初始化 | templates/initialization.md | — | | 数据审查 | templates/data_audit.md | — | | 描述性统计 | templates/descriptive_stats.md | references/exhibit_standards.md | | 主回归 | templates/main_regression.md | references/method_guide.md | | 稳健性检验 | templates/robustness.md | references/diagnostic_checks.md | | 异质性分析 | templates/heterogeneity.md | — | | 机制分析 | templates/mechanism.md | — | | 最终报告 | templates/report.md | references/report_standards.md | | 表格规范 | — | references/exhibit_standards.md | | 方法选择 | — | references/method_guide.md |