别急着做 DID (下):让 AI 做你的政策分析「虚拟导师」

👇 连享会 · 推文导航 | www.lianxh.cn

🍓 连享会 · 2026 LLM × Agent：超级研究者专题
嘉宾：陈沁 (脉搏深处科技有限公司，首席经济学家)
时间：2026 年 11 月 28-29 日
咨询：王老师 18903405450（微信）

 课程将沿着真实研究推进过程：

• • 先解决变量怎么构造，再考虑研究积累怎样持续形成优势；
• • 当通用模型不够用时，需要进一步改进知识组织和模型能力；
• • 当方法已经可行，还要解决怎样以可承受的时间和成本扩大研究规模。

课程关注的不是多掌握几个 AI 工具，而是怎样把这些方法真正用到研究过程中，拓展研究者能够处理的研究问题、材料类型和数据规模。

既讨论大模型能带来哪些新的研究可能，也讨论真正落到论文研究中以后，哪些问题还需要研究者继续解决。

作者： 舒清扬 (连享会)
邮箱：lianxhcn@163.com^[1]

• • 分类：内生性-因果推断
• • Title: 别急着做 DID (下)：让 AI 做你的政策分析「虚拟导师」
• • Keywords: AI, 政策评价, 因果推断, 实证研究设计, DID, 识别策略
• • 提要：多数人习惯向 AI 发布指令，但做研究设计时，我们自己往往还不知道真正该问什么。换一种方式：先把研究材料交给 AI，让它主动追问政策背景、反事实、识别威胁和数据条件。本文介绍一种「虚拟导师」工作流，帮助你把初步想法逐步变成可审查的研究设计。

很长一段时间里，我们对工具的使用方式都很简单：人提出目标，工具完成任务。计算器负责计算，搜索引擎负责检索，统计软件负责估计模型。我们习惯把自己放在指挥者的位置上，把工具放在执行者的位置上。

这种习惯很自然地延伸到了 AI。打开 ChatGPT、Claude 或 DeepSeek，我们通常也是直接发布指令：

帮我写一个 DID 模型。
帮我分析这个政策的作用机制。
帮我设计几个稳健性检验。
帮我找一个工具变量。

对于写代码、整理文字、修改表达等任务，这种方式很好用。目标越明确，AI 越容易执行。

但研究设计有些不同。

刚开始做一个选题时，我们自己往往也没有把问题完全想清楚。这个政策究竟如何进入样本？谁真正受到政策影响？控制组为什么可以代表反事实？政策进入是否存在选择？什么时候才算真正受到政策影响？有没有政策预期和外溢效应？现有数据能否观察到理论中描述的机制？

如果这些问题还没有想清楚，就先告诉 AI「帮我做 DID」，多少有点像「外行指挥内行」：问题还没有诊断清楚，分析路径已经先规定好了。

这里的「内行」并不是说 AI 比专业研究者更懂经济学。更准确地说，在已有材料基础上持续追问、整理线索、寻找遗漏、构造反例和模拟审稿人，是当前 AI 很适合承担的一类工作。

因此，我们可以把角色换一下。

「虚拟导师」模式

常见用法是：

我提问 → AI 回答

换一种方式：

我提供材料 → AI 追问 → 我补充材料 → AI 诊断 → 我修改想法 → AI 再审查

关键变化不在于提示词写得更长，而在于把一部分提问权交给 AI。

上篇《别急着做 DID (上)：先把政策背景搞清楚》讨论了为什么政策背景本身就是研究设计的一部分。本文接着往下走：如何让 AI 主动追问，把这个前期研究过程真正跑起来。

1. 导师真正提供的，往往是问题

你去找导师，说：

我想研究某项政策对企业创新的影响。

有经验的导师通常不会马上回答：

好，用 DID。

他更可能接着问：

这个政策怎么实施的？
企业是自动进入，还是自己申请？
谁决定哪些企业能进入？
什么时候公布名单？
你准备拿谁做控制组？
为什么这些企业可以做控制组？
企业会不会提前知道自己可能入选？
有没有其他政策同时发生？

学生回答以后，导师又会根据答案继续追问。

一次讨论下来，原来的题目可能已经改了，处理组重新定义了，政策时点变了，甚至识别方法也换了。

导师真正有价值的地方，很多时候并不是告诉你「应该用什么模型」，而是不断追问：

为什么？

AI 很适合参与这种工作。它可以反复阅读政策文件、整理制度细节、比较已有论文、提出替代解释，也可以不断扮演反方，追问某个识别假设究竟凭什么成立。

但我们平时使用 AI 时，很少允许它这样工作。

例如：

我想研究绿色工厂认定对企业绿色创新的影响。
请帮我设计一个 DID 模型。

这句话其实已经替 AI 做了一个很重要的决定：

这个问题应该用 DID。

于是 AI 很容易顺着这个方向往下走：构造 Treat × Post，加入企业固定效应和年份固定效应，再安排平行趋势、安慰剂、机制和异质性检验。

真正需要讨论的问题反而被跳过去了。

所以，「虚拟导师」模式的第一步很简单：

先不决定方法。

2. 开始讨论前，先准备一个「研究材料包」

导师能问出什么问题，很大程度上取决于你给了他什么材料。AI 也是一样。

只告诉 AI：

我想研究某政策对企业创新的影响。

它能利用的信息很少，只能依靠一般经验补全缺失内容，回答自然容易模板化。

更有效的做法，是在开始讨论前准备一个简单的「研究材料包」。

开始对话前，先做一件事

不要只给 AI 一个论文题目。把政策文件、执行规则、初步数据、相关文献和自己目前的疑问一起交给它。

AI 能问到什么深度，很大程度上取决于你提供了多少可靠材料。

可以按下面的格式整理：

【研究问题】
我想研究 ______ 对 ______ 的影响。

【政策材料】
政策名称：
发布部门：
发布日期：
正式实施时间：
适用对象：
政策文件或网页：

【我目前理解的执行规则】
谁可以进入：
是否需要主动申请：
是否需要推荐或审批：
是否存在评分、门槛、名单或分批实施：
目前还没搞清楚的地方：

【数据】
样本：
时间范围：
数据频率：
结果变量：
目前已经获得的数据：
还需要寻找的数据：

【初步想法】
我目前考虑过 ______ 方法，原因是 ______。

【当前最担心的问题】
1.
2.
3.

材料不齐也没有关系。缺什么，本身就可以成为 AI 下一步帮助查找和讨论的内容。

如果使用支持联网搜索或文件阅读的 AI，还可以进一步要求它建立一份「证据账本」，把信息区分为：

• • 官方文件已经确认的政策事实；
• • 已发表论文中的描述；
• • 根据现有材料作出的推断；
• • 暂时无法确认的信息。

这一点很实用。政策评价中，一个错误的实施日期、一条并不存在的资格门槛，或者对政策对象的错误理解，都可能改变整个研究设计。

3. 一段提示词，激活「导师模式」

准备好材料以后，不需要连续发很多复杂指令。

先用一段主提示词改变 AI 的角色。

你是一名严格但建设性的政策评价研究导师，熟悉应用微观计量、
因果推断和经管类实证论文写作。

我会给你一个初步研究想法，以及目前搜集到的政策文件、
数据说明和相关文献。

请不要立即替我选择模型，也不要一次性生成完整的研究设计。
你的任务是通过多轮讨论，帮助我把研究问题逐步想清楚。

请按照下面的方式工作：

1. 先阅读我提供的材料，区分：
   - 已经确认的政策事实；
   - 我的假设或判断；
   - 目前仍然缺失的信息。

2. 然后像导师讨论论文一样向我提问。
   每轮只问 3-6 个最重要的问题，不要一次列几十个问题。

3. 你的追问重点包括：
   - 政策为什么出台；
   - 政策具体改变了什么约束或激励；
   - 我真正想识别的政策效应是什么；
   - 谁真正受到处理；
   - 处理组是如何形成的；
   - 合适的反事实可能来自哪里；
   - 是否存在主动申请、行政筛选或其他样本选择；
   - 是否存在政策预期、信息泄露、同期政策和外溢效应；
   - 数据是否足以观察这些问题。

4. 不要因为存在政策前后变化就默认使用 DID，
   也不要因为存在内生性就直接寻找 IV。
   方法应当在政策事实、数据结构和识别威胁逐渐清楚之后再讨论。

5. 如果某项重要政策事实无法确认，请告诉我下一步应该查什么材料，
   而不是自行补全。

6. 每轮讨论结束后，请只输出三项：
   - 当前可以确认的判断；
   - 当前最重要的缺口；
   - 下一轮最值得继续讨论的问题。

7. 如果现有条件不足以支持可信的因果识别，请直接告诉我，
   并说明问题出在哪里。

现在请阅读我的研究材料。
不要给完整研究方案，先开始第一轮追问。

这段提示词最关键的一句其实是：

不要给完整研究方案，先开始第一轮追问。

它切断了 AI 最常见的反应方式：看到一个题目以后，马上生成一套看似完整的研究方案。

不要期待一轮对话就完成研究设计

真正的导师模式允许反复回退。

如果讨论控制组时发现政策进入规则没有搞清楚，就回去补政策材料；如果事件研究显示处理前已经出现变化，就重新讨论政策预期和样本选择。

研究设计本来就是一个反复修正的过程。

4. 实际跑起来是什么样子？

还是用「绿色工厂认定是否促进企业绿色创新」这个例子。

假定一开始只有这样的想法：

我想研究绿色工厂认定对企业绿色创新的影响。样本准备使用 A 股上市公司，结果变量是企业绿色专利。我原来准备做 DID。

把这段话和前面的导师提示词一起发给 AI。

4.1 第一轮：先别讨论 DID

一个比较合适的回答应该类似下面这样：

我先不判断是否适合 DID。目前至少有几个政策事实需要确认：

• • 绿色工厂认定是企业主动申请，还是主管部门直接指定？
• • 如果需要申请，申请资格和评审标准是什么？这些标准中是否已经包含绿色投入、绿色技术或环境绩效？
• • 名单什么时候公布？是否存在申报通知、公示名单和正式认定等多个时间点？
• • 名单是一次性公布还是分批认定？
• • 你计划把哪些企业作为控制组？这些企业是申请后未通过、符合资格但未申请，还是所有未入选企业？

本轮导师判断

当前判断：是否适合 DID 还不能确定。

主要缺口：处理组形成机制和政策时间不清楚。

下一步：优先补充认定办法、申报流程和历年名单。

注意，这时候 AI 没有写任何模型。

但研究设计已经开始了。

4.2 第二轮：政策规则开始改变研究思路

假设进一步查到：

企业需要申报，之后还要经过推荐和评审；名单分批公布。评审标准涉及绿色生产、能源资源利用、污染排放和管理体系等。我能获得企业入选年份，以及上市公司财务和专利数据。

AI 此时可以继续判断：

这些信息说明，认定企业很可能不是随机进入处理组。

企业主动申报会产生自选择；主管部门推荐和评审又增加了一层筛选。如果企业原本绿色投入更多、环境管理能力更强，也更容易被认定，那么它们即使没有获得绿色工厂资格，未来绿色专利也可能增长更快。

因此，目前最需要继续确认的不是 DID 方程，而是：

• • 能否观察申请但未入选的企业？
• • 能否根据认定资格和政策前特征缩小可比样本？
• • 企业是否会为了申报认定，在名单公布前就增加绿色投入或绿色专利申请？

本轮导师判断

当前判断：DID 可以保留为候选设计，但简单地用所有未认定上市公司作为控制组，说服力不足。

主要缺口：申请池、政策前动态趋势和申报准备期。

下一步：继续调查申请规则，并检查认定前 3-5 年的结果变量走势。

到这里，研究设计已经和最初的「直接上 DID」明显不同。

4.3 第三轮：方法才进入讨论

假设进一步确认：

• • 可以得到多批次认定名单；
• • 有政策前 5 年数据；
• • 无法得到完整申请企业名单；
• • 企业认定时间存在明显差异。

AI 才有必要进一步讨论：

在这些条件下，可以考虑 staggered DID 或相应的多期 DID 估计方法作为主设计候选，但仍需正面处理选择性进入。

下一步应比较几种控制组构造方案，并检查认定前动态趋势。如果处理组在认定前已经持续增加绿色创新，那么这种差异可能来自企业选择或申报准备，不能直接解释为认定后的政策效果。

如果能够进一步找到资格门槛、评分规则或其他制度变化，还可能形成比简单 DID 更有说服力的识别设计。

DID 是讨论的结果，不是讨论的起点。

前面几轮真正完成的工作，是逐渐弄清政策如何进入样本、处理组为什么形成，以及反事实可能来自哪里。方法是在这些信息逐渐清楚以后才进入讨论的。

5. 「虚拟导师」应该检查哪些问题？

真实研究不会严格按照「第一步、第二步、第三步」一路向前，但仍然需要一张地图，避免某些关键问题一直没有被问到。

可以把下面这张表理解为「虚拟导师」的检查框架。

这张表不是让用户按照七个步骤给 AI 下指令。

真正的导师也不会说「现在进入第 4 步」。

如果讨论变量时发现政策时点定义有问题，就应该退回政策事实；如果事件研究显示处理前已经出现明显变化，就应该重新讨论选择机制和政策预期；如果找不到可信的控制组，也许整个设计都需要重新考虑。

有时某一个问题需要集中讨论，可以让 AI 暂时停止扩展新的模型，安排一次「专项会诊」：

请暂时停止提出新的模型。

现在只扮演一个严格的审稿人，审查当前研究设计最严重的
3-5 个识别威胁。

对于每个问题，请说明：

1. 为什么这个问题可能成立；
2. 它会导致什么方向的偏误或解释困难；
3. 需要什么额外证据才能缓解这个担忧；
4. 如果无法解决，论文的结论应该收缩到什么程度。

这种短提示词适合解决局部问题。整篇研究设计仍然由前面的导师式多轮对话推进。

6. 再进一步：组建一个「虚拟导师组」

单个 AI 也会犯错。

它可能顺着我们的表述继续往下走，也可能遗漏某个识别问题，或者提出一个听起来合理、实际上缺少制度依据的建议。

一个简单办法，是同时使用 2-3 个 AI，让它们承担不同角色。

例如，导师 A 提出初步研究设计；导师 B 专门寻找漏洞和替代解释；导师 C 比较两份意见，整理真正的分歧。

实际使用时，可以由 ChatGPT、Claude、Gemini、DeepSeek 等不同模型承担这些角色，角色也可以轮换。

关键是给不同 AI 同一份研究材料包，然后让一个模型检查另一个模型的判断。

下面是一位「虚拟导师」对我的研究设计提出的建议。

请你不要重新设计一套方案，而是作为第二位导师，
逐条审查它的判断。

重点检查：

1. 哪些建议有明确的政策事实支持？
2. 哪些建议依赖尚未验证的假设？
3. 处理组、控制组和反事实的定义是否成立？
4. 是否遗漏了样本选择、政策预期、同期政策或外溢效应？
5. 建议的方法是否真的与当前数据结构匹配？
6. 哪些问题必须回到政策文件或原始数据才能判断？

最后只输出三类：

- 可以保留；
- 需要补证据；
- 建议推翻。

不要因为另一位 AI 已经给出答案，就默认它是正确的。

再把两份意见交给第三个 AI：

下面是两位研究导师对同一研究设计的不同意见。

请不要采用多数票方式判断。

请整理：

1. 双方已经达成一致的事实；
2. 真正存在分歧的判断；
3. 每个分歧背后缺少什么证据；
4. 哪些分歧可以通过数据检验解决；
5. 哪些分歧需要查政策文件或补充制度背景；
6. 在证据不足的情况下，哪一种表述更保守。

最后生成一份「下一步研究任务清单」。

「虚拟导师组」不是让 AI 投票

真正有价值的是让不同模型暴露彼此依赖的假设、遗漏的信息和真正的分歧。

最后的判断仍然由研究者完成。

这种用法有点像开组会。重要的不是三个 AI 谁赢，而是它们在争论中把原来没有注意到的问题摆到了桌面上。

7. 返修时，也可以让 AI 做导师

「虚拟导师」不只适合开题和研究设计。

论文收到审稿意见以后，同样可以使用。

有时审稿人写了两页意见，表面上涉及平行趋势、变量定义、异质性和机制，但背后其实集中在一个问题：

他不相信你的识别设计。

如果直接告诉 AI：

帮我回复审稿人。

AI 很容易生成一封措辞得体、但没有解决实质问题的回复。

更合适的顺序是：先解决问题，再写回复。

下面是审稿人的意见和我的论文。

请先不要写回复信。

请把意见整理成一张
「审稿质疑—识别问题—需要的证据—论文修改」矩阵。

对每条意见判断：

1. 审稿人真正担心的是什么；
2. 这是识别问题、数据问题、解释问题还是写作问题；
3. 可以通过什么新增分析回应；
4. 是否需要修改正文；
5. 是否存在无法通过补充回归解决的问题；
6. 如果无法完全解决，应如何收缩结论。

等我确认修改方案以后，再帮助我起草回复。

这个顺序很重要。

有些审稿意见需要补回归，有些需要补政策文件，有些需要重新定义变量，还有一些问题根本无法靠多跑几个稳健性检验解决。

先把问题拆清楚，再决定如何回应，通常比直接生成 Response Letter 更有效。

8. AI 导师也需要被约束

把 AI 称为「虚拟导师」，并不意味着可以把研究判断交给它。

AI 可以质疑你的研究设计，但不能替你证明识别成立。

政策时间、资格规则、处理名单和执行办法，要回到原始文件核实；识别假设要回到计量原理和相关文献判断；AI 提出的批评和检验，也只是需要进一步验证的候选意见。

至少有三个边界需要一直记住。

一是政策事实必须核实。

AI 可以帮助搜索和整理政策文件，但重要日期、资格规则、处理名单、执行办法最好回到原始文件。一个错误的政策时间，就可能让整个研究设计发生变化。

二是研究者仍然要懂基本方法。

如果自己不知道平行趋势意味着什么，不理解 IV 的排除限制，不清楚 RD 为什么依赖门槛附近的局部比较，也不了解 SCM、SDID 等方法的基本思路，就很难判断 AI 的建议是否合理。

AI 可以降低学习成本，但不能取消方法训练。

三是 AI 的质疑也只是候选意见。

AI 有时会把理论上可能存在的问题说得过于严重，也可能建议一堆没有必要的检验。最终仍然需要回到经济学机制、制度背景、已有文献和数据来判断。

这也是为什么前面推荐「虚拟导师组」，而不是让某一个模型成为最终裁判。

最近，Shi et al.^[2] (2026^[3]) 提出了 InterveneBench，专门评估大语言模型面对真实政策干预时能否完成端到端的因果研究设计。InterveneBench 包含 744 篇实证社会科学研究，覆盖 DiD、IV、RD、SCM 和 PSM 等方法。作者发现，即使较强的大模型，直接完成模型选择、组别定义和因果解释仍然存在明显困难；进一步提出的 STRIDES 则让不同 agent 分别承担理论、方法、数据、代码和批判性审查等任务，通过分工和反复检查改善研究设计表现。

这项研究和本文的思路很接近：复杂的研究设计不适合一次性问答，更适合追问 → 补充 → 审查 → 修改这样的迭代过程。

9. 结语

以前我们使用工具，大多是：

我知道自己要什么，然后让工具帮我做。

AI 带来了一种新的可能：

当我们还不知道自己遗漏了什么时，也可以让工具反过来问我们。

对于刚开始做论文的博士生来说，这一点尤其有价值。你可能暂时不知道怎样判断一个控制组是否合适，不知道政策预期为什么会影响 DID，也不知道审稿人下一步会追问什么。但你可以把政策文件、数据说明、相关文献和自己的初步想法摆出来，让 AI 一轮一轮问下去。

它问得越具体，你就越容易发现自己真正不知道什么。

等到政策事实、反事实、识别威胁和数据条件逐渐清楚以后，DID、IV、RD、SCM 或其他方法自然会进入讨论。

「虚拟导师」最有价值的地方，也许不是替我们回答了多少问题，而是帮助我们提出了多少原本没有想到的问题。

10. 参考文献

• • Kıcıman, E., Ness, R., Sharma, A., & Tan, C. (2023). Causal reasoning and large language models: Opening a new frontier for causality. Transactions on Machine Learning Research. Link^[4], PDF^[5], Google^[6].
• • Shi, S., Shi, Z., Zheng, L., Su, X., Xie, A., Lv, B., Xu, R., Chen, Z., Chen, Z., Liu, G., Zhang, N., Dong, M., Quan, Z., Chen, B., Hao, T., Qi, Y., Xu, Y., & Wu, L. (2026). InterveneBench: Benchmarking LLMs for intervention reasoning and causal study design in real social systems. arXiv:2603.15542. Link^[2], PDF^[3], Google^[7].

11. 相关推文

Note：产生如下推文列表的 Stata 命令为：
lianxh 研究设计 政策, md2 nocat ex(连享会 直播 助教 意识 错误 R语言)
安装最新版 lianxh 命令：
ssc install lianxh, replace

• • 丁星星, 2026, 中国产业政策到底有多大？量化估计、资源错配与研究启发^[8].
• • 丁星星, 2026, 用 AI Agent 收集数据：如何保证质量和可重复性？^[9].
• • 卢梅, 2020, DID边际分析：让政策评价结果更加丰满^[10].
• • 叶颖琛, 2023, 三重差分：碳减排政策的真实效应：财务约束与溢出效应^[11].
• • 吕大兴, 2023, 论文复现：基于组级纵向数据评估政策的试验模拟方法^[12].
• • 张逸林, 2025, 异质性分析的新视角：政策效应分解^[13].
• • 徐安宇, 2022, Stata论文复现：政策评估中的交互效应^[14].
• • 杨奈特, 2026, SNAP06-你的 DID 对照组，可能早就被污染了^[15].
• • 潘星宇, 2026, 平行趋势不成立怎么办？用 DiDwb、MDiD 和 RD 重新识别政策效果^[16].
• • 艾米丽, 2026, 找政策冲击太难？用 AI 从新闻和公告中发现事件变量^[17].
• • 赵俊, 2025, cate：政策学习与条件平均处理效应-Stata19新功能^[18].
• • 连小白, 2026, China Policy Shocks：中国政策冲击数据库上线了^[19].
• • 连小白, 2026, 中国产业政策如何运行？LLM 解码 300 万份政府文件的发现^[20].
• • 连小白, 2026, 四个标准：什么样的政策冲击适合做准自然实验？^[21].
• • 连玉君, 2025, 异质性分析：如何避免“事后看碟下菜”？^[22].
• • 连玉君, 2025, 异质性分析：揭示理论成立的边界条件^[23].

🍓 连享会 · 2026 定量空间模型 (QSM) 专题
嘉宾：茅家铭 (厦门大学)
时间：2026 年 12 月 19–20 日
咨询：王老师 18903405450（微信）

New！ Stata 搜索神器：lianxh 和 songblGIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
. ssc install lianxh
. ssc install songbl
👉  使用：
. lianxh DID 倍分法
. songbl all

🍏 关于我们

• • 连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。
• • 直通车： 👉【百度一下：连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。

引用链接

[1] lianxhcn@163.com: mailto:lianxhcn@163.com
[2] Shi et al.: https://doi.org/10.48550/arXiv.2603.15542
[3] 2026: https://arxiv.org/pdf/2603.15542
[4] Link: https://openreview.net/forum?id=G6t4oA93te
[5] PDF: https://openreview.net/pdf?id=G6t4oA93te
[6] Google: https://scholar.google.com/scholar?q=Causal+Reasoning+and+Large+Language+Models+Opening+a+New+Frontier+for+Causality
[7] Google: https://scholar.google.com/scholar?q=InterveneBench+Benchmarking+LLMs+for+Intervention+Reasoning+and+Causal+Study+Design+in+Real+Social+Systems
[8] 中国产业政策到底有多大？量化估计、资源错配与研究启发: https://www.lianxh.cn/details/1848.html
[9] 用 AI Agent 收集数据：如何保证质量和可重复性？: https://www.lianxh.cn/details/1816.html
[10] DID边际分析：让政策评价结果更加丰满: https://www.lianxh.cn/details/192.html
[11] 三重差分：碳减排政策的真实效应：财务约束与溢出效应: https://www.lianxh.cn/details/1191.html
[12] 论文复现：基于组级纵向数据评估政策的试验模拟方法: https://www.lianxh.cn/details/1145.html
[13] 异质性分析的新视角：政策效应分解: https://www.lianxh.cn/details/1684.html
[14] Stata论文复现：政策评估中的交互效应: https://www.lianxh.cn/details/1131.html
[15] SNAP06-你的 DID 对照组，可能早就被污染了: https://www.lianxh.cn/details/1890.html
[16] 平行趋势不成立怎么办？用 DiDwb、MDiD 和 RD 重新识别政策效果: https://www.lianxh.cn/details/1902.html
[17] 找政策冲击太难？用 AI 从新闻和公告中发现事件变量: https://www.lianxh.cn/details/1846.html
[18] cate：政策学习与条件平均处理效应-Stata19新功能: https://www.lianxh.cn/details/1657.html
[19] China Policy Shocks：中国政策冲击数据库上线了: https://www.lianxh.cn/details/1801.html
[20] 中国产业政策如何运行？LLM 解码 300 万份政府文件的发现: https://www.lianxh.cn/details/1847.html
[21] 四个标准：什么样的政策冲击适合做准自然实验？: https://www.lianxh.cn/details/1814.html
[22] 异质性分析：如何避免“事后看碟下菜”？: https://www.lianxh.cn/details/1556.html
[23] 异质性分析：揭示理论成立的边界条件: https://www.lianxh.cn/details/1555.html