AI Agent 辅助实证研究快速集训

AI Agent 辅助实证研究快速集训 · 2天上手

Claude Code × Codex × CoPaper.AI × VS Code 统一工作台

一、培训概述

1.1 培训背景

2026 年，AI 编程工具已从"锦上添花"变成"研究基础设施"。耶鲁大学 Paul Goldsmith-Pinkham 教授开设了面向应用经济学家的 Claude Code 系列课程；GitHub 上的 awesome-ai-for-economists 项目已整理出超过 100 个经济学 AI 工具和资源；CoPaper.AI 等平台让"从数据到论文"的全流程 AI 辅助成为可能。

但国内高校的经济学师生，面临三个核心痛点：

工具门槛高
：Claude Code、Codex 等工具需要终端操作，对习惯 Stata GUI 的研究者来说有陡峭的学习曲线
网络环境特殊
：部分 AI 工具需要海外账号或特殊网络配置
缺乏学科适配
：现有 AI 培训多面向程序员，经济学实证研究的特殊需求（计量模型、面板数据、因果推断）缺少针对性教学

本培训方案旨在弥补这一缺口。

1.2 培训目标

培训结束后，学员应能够：

在 VS Code 中配置并使用 Claude Code 扩展和 Codex CLI
用自然语言指令让 AI 生成 Stata / Python 代码，完成数据清洗、变量构建、计量回归
使用 CoPaper.AI 完成从研究设计到论文初稿的全流程协作
理解 AI 辅助研究的学术伦理边界，合理使用而非滥用
通过 MCP 服务器直接在编辑器内查询 FRED、世界银行等经济数据

1.3 适用对象

对象	预期背景	培训收益
经管社科类教师	有 Stata/R/SPSS/SAS 经验，熟悉计量方法	提升科研效率，了解 AI 教学应用
博士/硕士研究生	正在做实证论文，有基本编程经验	加速数据处理和论文写作
本科高年级学生	修过计量经济学，有基本数据分析能力	建立 AI 辅助研究的正确认知和实践能力

1.4 培训规模与时长

时长
：2 天，共 12 学时（每天 6 学时，含实操练习）
规模
：每期 20-50 人（需配备电脑和网络）
形式
：讲授 30% + 演示 30% + 动手实操 40%

图 1：培训课程四大模块总览

二、工具介绍与对比

2.1 Claude Code

定位：Anthropic 出品的全能型 AI 编程 Agent，可以读写本地文件、运行代码、管理 Git。

核心能力：

理解整个项目的代码结构，自主规划执行步骤
支持 CLI（终端命令行）和 VS Code 扩展两种使用方式
VS Code 扩展提供 inline diff 预览、@-提及文件、计划审查等图形化功能
可通过 CLAUDE.md 文件定制项目级别的 AI 行为规范
支持 MCP（Model Context Protocol）接入外部数据源

经济学应用场景：

自然语言描述 → 生成 Stata do 文件 / Python 脚本
从 FRED、World Bank 等数据库自动下载和清洗数据
辅助 LaTeX 论文撰写和格式排版
解读回归结果、建议稳健性检验方案

费用：Anthropic Pro 订阅 $20/月

2.2 OpenAI Codex CLI

定位：OpenAI 出品的轻量级终端 AI 编程助手，擅长快速生成代码片段。

核心能力：

纯终端操作，一条命令即可获得代码
沙盒隔离执行，安全性高
在 VS Code 中可通过 GitHub Copilot 的模型选择器切换到 Codex 模型
VS Code 的 Agent Sessions 面板支持 Copilot / Claude / Codex 三个 Agent 并行运行

经济学应用场景：

快速生成一次性的数据处理脚本
批量处理文件格式转换
生成简单的统计图表代码

费用：ChatGPT Plus $20/月或 OpenAI API

2.3 CoPaper.AI

定位：面向学术研究的端到端论文协作平台，不是"帮你写论文"，而是"人机协作研究"。

核心能力：

上传数据后，填写 15 模块、53 字段的研究信息表（从研究问题到计量方法）
按 P1（引言）→ P2（数据与方法）→ P3（结果）→ P4（结论）逐章生成
每章 AI 草拟后必须经人类审核确认才进入下一步
内置代码执行环境，回归表和统计图表基于真实数据生成
支持中英双语界面和论文输出

经济学应用场景：

完整的实证论文从构思到初稿的全流程
特别适合 DID、IV、面板固定效应等标准计量方法
生成后可导出 LaTeX，在 VS Code 中进一步精修

费用：按项目付费

2.4 VS Code：统一工作台

为什么选择 VS Code 作为核心平台？

VS Code 在 2026 年已经不只是代码编辑器——它是 AI 编程指挥中心：

同时运行 Claude Code、Codex、GitHub Copilot 三个 AI Agent
内置终端可以直接运行 Stata、Python、R 命令
丰富的扩展生态：LaTeX Workshop、Stata Enhanced、Python 等
免费、跨平台（Windows/macOS/Linux）、中文界面支持

图 2：三大工具定位与能力对比

三、培训详细日程

Day 1 上午 · 模块一：环境搭建与基础认知（3 学时）

第 1 节（60 分钟）：AI 编程工具认知与 VS Code 环境搭建

讲授内容：

AI 辅助研究的现状与趋势

耶鲁大学 Claude Code for Applied Economists 系列课程简介
AI 工具在经济学研究中的角色：执行工具而非替代思考
学术伦理红线：AI 不能替代研究者的学术判断

VS Code 安装与配置

扩展名称	用途	安装命令
Chinese Language Pack	中文界面	扩展市场搜索安装
Claude Code	AI Agent	`code --install-extension anthropic.claude-code`
GitHub Copilot	AI 补全	扩展市场搜索安装
Python	Python 支持	扩展市场搜索安装
Stata Enhanced	Stata 语法高亮	扩展市场搜索安装
LaTeX Workshop	论文排版	扩展市场搜索安装

下载安装：code.visualstudio.com
中文语言包安装
必装扩展清单：

终端基础知识（面向零基础学员）

VS Code 内置终端的打开方式（Ctrl+`）
基本命令：cd（切换目录）、ls（查看文件）、mkdir（创建文件夹）
Windows 用户注意事项：PowerShell vs CMD

动手实操：

安装 VS Code 并配置中文界面
在终端中练习基本命令
创建一个名为 econ-research 的项目文件夹

第 2 节（60 分钟）：Claude Code 安装与首次使用

讲授内容：

Claude Code 安装（双路径）

路径 A：VS Code 扩展（推荐初学者）

VS Code → 扩展市场 → 搜索 "Claude Code" → 安装安装后侧边栏出现 Claude Code 图标

路径 B：终端 CLI 安装

# macOS / Linuxcurl -fsSL https://claude.ai/install.sh | bash# Windows PowerShellirm https://claude.ai/install.ps1 | iex

账号与登录

需要 Anthropic 账号（Pro $20/月）
VS Code 扩展：点击侧边栏 Claude 图标 → 自动引导登录
CLI：运行 claude → 浏览器自动打开登录页面

基本交互方式

操作	VS Code 扩展	终端 CLI
启动	点击侧边栏图标	`claude`
提问	在聊天面板输入	直接输入文字
引用文件	@文件名	自动读取项目文件
查看代码变更	inline diff 预览	终端显示 diff
接受修改	点击"接受"	输入 y

第一个任务：让 Claude 分析项目

这个文件夹里有什么数据文件？帮我做一个基本的描述性统计

动手实操：

安装 Claude Code（扩展或 CLI 二选一，推荐扩展）
完成登录
在 econ-research 目录下创建一个示例 CSV 文件，让 Claude 分析

第 3 节（60 分钟）：Codex CLI 与 CoPaper.AI 配置

讲授内容：

Codex CLI 安装

# 检查 Node.js 版本（需要 >= 22）node -v# 安装 Codex CLInpm i -g @openai/codex# 国内镜像加速npm i -g @openai/codex --registry=https://registry.npmmirror.com

VS Code 内使用 Codex

安装 GitHub Copilot 扩展 → 模型选择器 → 选择 Codex 模型
Agent Sessions 面板：可同时运行 Copilot / Claude / Codex

CoPaper.AI 注册与界面导览

访问 copaper.ai → 注册账号
创建新研究项目
了解研究信息表的 15 个模块结构
演示：上传示例数据集

图 3：三大工具安装路径速查（CLI + VS Code）

动手实操：

安装 Codex CLI 或配置 Copilot 中的 Codex 模型
注册 CoPaper.AI 并创建一个测试项目
在 VS Code 中同时打开 Claude Code 和终端，体验多面板工作流

Day 1 下午 · 模块二：数据获取与清洗（3 学时）

第 4 节（60 分钟）：AI 辅助数据获取

讲授内容：

经济学常用数据源

数据库	数据类型	获取方式
FRED（美联储）	宏观经济时间序列	API / MCP
World Bank Open Data	跨国发展指标	API / MCP
CSMAR（国泰安）	中国上市公司数据	手动下载
CNKI / Wind	中国经济统计	手动下载或API
Penn World Table	跨国GDP和生产率	直接下载
CHIP / CFPS	中国家庭面板调查	申请获取

用 Claude Code 获取公开数据

在 VS Code 的 Claude Code 面板中输入：

帮我从 FRED 下载美国 1990-2024 年的季度 GDP 增长率和失业率数据，保存为 CSV 文件，列名用英文

Claude Code 会自动：

生成 Python 脚本（使用 fredapi 库）
下载数据并清洗格式
保存到项目目录

MCP 服务器：直接在 VS Code 中查询数据

FRED MCP
：80 万+ 时间序列
World Bank MCP
：发展指标
BLS MCP
：美国劳动统计（CPI、失业率、工资）
OpenEcon
：统一接口，33 万+ 指标

MCP = Model Context Protocol，让 AI Agent 直接连接外部数据源
常用经济数据 MCP 服务器：

动手实操：

用 Claude Code 下载一组 FRED 数据
用 Codex 一行命令生成 Python 数据下载脚本
检查并验证下载的数据完整性

第 5 节（60 分钟）：AI 辅助数据清洗

讲授内容：

经济学数据清洗的常见任务

任务	Stata 命令示例	AI 提示词示例
缺失值处理	`drop if missing(gdp)`	"删除 GDP 缺失的观测"
异常值处理	`winsor2 gdp, cuts(1 99)`	"对 GDP 变量做 1%/99% Winsorize"
变量生成	`gen ln_gdp = ln(gdp)`	"生成 GDP 的自然对数"
滞后变量	`gen L1_gdp = L.gdp`	"生成 GDP 的一阶滞后"
面板设置	`xtset id year`	"设置面板数据，个体 ID 为 id，时间为 year"
合并数据	`merge 1:1 id year using ...`	"按 id 和 year 合并这两个数据集"

在 VS Code 中用 Claude Code 生成 Stata do 文件

我有一个面板数据集 firm_data.csv，包含以下变量：- firm_id: 企业ID- year: 年份 (2010-2022)- revenue: 营业收入（万元）- employees: 员工数- rd_expense: 研发支出（万元）- province: 省份请帮我写一个 Stata do 文件，完成以下清洗步骤：1. 导入 CSV 数据2. 设置面板结构3. 对 revenue 和 rd_expense 做 1%/99% 的 Winsorize4. 生成 ln_revenue = ln(revenue), rd_intensity = rd_expense/revenue5. 生成描述性统计表6. 输出到 results/ 文件夹

Python 数据清洗（替代方案）

对于没有 Stata 的学员，用 Python + pandas：

帮我用 Python 对 firm_data.csv 做以下处理：- 用 pandas 读取- 删除缺失值超过 50% 的变量- 对连续变量做描述性统计- 画出各变量的分布直方图- 保存清洗后的数据为 firm_data_clean.csv

动手实操：

使用提供的示例数据集，在 VS Code 中用 Claude Code 完成数据清洗
生成 Stata do 文件或 Python 脚本
运行脚本并检查清洗结果

第 6 节（60 分钟）：描述性统计与可视化

讲授内容：

AI 生成描述性统计表

帮我生成一个标准的描述性统计表（Table 1），包含：- 变量名、观测数、均值、标准差、最小值、中位数、最大值- 输出为 LaTeX 格式，可以直接粘贴到论文中- 风格参考 AER（American Economic Review）的排版

AI 生成可视化图表

帮我画以下图表，保存为 PDF 和 PNG 格式：1. 各省份平均 revenue 的柱状图2. ln_revenue 和 rd_intensity 的散点图3. revenue 按年份的趋势线图使用 matplotlib，风格要学术论文级别

在 VS Code 中实时预览

Python 生成的图表可以在 VS Code 中直接预览
LaTeX 表格可以通过 LaTeX Workshop 扩展预览

动手实操：

生成描述性统计表
生成 2-3 个数据可视化图表
将结果组织到 results/ 文件夹中

Day 2 上午 · 模块三：计量分析与论文撰写（3 学时）

第 7 节（60 分钟）：AI 辅助计量回归分析

讲授内容：

常用计量方法的 AI 提示词模板

OLS 回归：

请用 Stata 对 firm_data_clean.dta 做以下回归：- 因变量：ln_revenue- 自变量：rd_intensity, ln_employees- 控制变量：year dummies, province dummies- 聚类标准误到企业层面- 输出回归表到 reg_table1.tex

面板固定效应：

请用 Stata 做面板固定效应回归：- 因变量：ln_revenue- 核心解释变量：rd_intensity- 固定效应：企业固定效应 + 年份固定效应- 标准误聚类到企业层面- 用 estout 输出发表级别的回归表

工具变量（IV）：

请用 Stata 做 IV 回归：- 因变量：ln_revenue- 内生变量：rd_intensity- 工具变量：同行业其他企业的平均研发强度- 做第一阶段 F 统计量检验- 做过度识别检验（如果有多个 IV）

双重差分（DID）：

请用 Stata 做 DID 分析：- 处理组：2015 年后获得政策补贴的企业- 控制组：未获得补贴的企业- 处理时间：2015 年- 因变量：ln_revenue- 做平行趋势检验并画图- 做安慰剂检验

AI 辅助结果解读

我得到了以下回归结果：[粘贴回归输出]请帮我：1. 解释每个系数的经济含义2. 评估统计显著性3. 建议可能的稳健性检验4. 用中文写一段适合放在论文中的结果描述

稳健性检验清单

检验类型	目的	AI 提示词关键词
替换因变量	测量敏感性	"换一个因变量的代理变量重新跑"
替换自变量	测量稳健性	"用替代指标替换核心解释变量"
缩样本	样本选择	"删除极端值/特定年份后重新回归"
安慰剂检验	因果验证	"做安慰剂检验，用假的处理时间"
PSM-DID	样本匹配	"做倾向得分匹配后再做 DID"
更换聚类层面	标准误稳健	"换到行业层面聚类"

动手实操：

选择一个计量方法，用 Claude Code 生成完整的 Stata do 文件
运行回归并获取结果
让 AI 解读回归结果并生成论文段落

第 8 节（60 分钟）：CoPaper.AI 全流程论文写作

讲授内容：

CoPaper.AI 工作流程
Step 1：创建项目并上传数据
Step 2：填写研究信息表
Step 3：逐章生成与审核
每章生成后必须人工确认才能继续——这是 CoPaper.AI 保证学术诚信的核心机制。
Step 4：导出与精修

导出 LaTeX 格式
在 VS Code 中用 LaTeX Workshop + Claude Code 进一步修改

P1 引言：研究动机、文献贡献、论文结构
P2 数据与方法：数据来源、变量说明、模型设定
P3 实证结果：回归表、图表、结果解释
P4 结论：主要发现、政策建议、局限性

核心研究问题
文献背景与理论框架
变量定义（因变量、自变量、控制变量、工具变量）
计量方法选择（OLS、FE、IV、DID 等）
异质性分析方案
稳健性检验方案

支持 CSV、DTA 格式
系统自动识别变量类型

学术伦理重点提醒

CoPaper.AI 生成的是初稿，不是成品
所有学术判断（研究问题选择、因果识别策略、结果解释）必须由研究者做出
投稿时应按期刊要求披露 AI 工具的使用

动手实操：

在 CoPaper.AI 中完成一个迷你研究项目的 P1-P2 部分
体验逐步确认机制
将生成的内容导出到 VS Code 中查看

第 9 节（60 分钟）：回归表与论文图表制作

讲授内容：

发表级别回归表

帮我用 Stata 的 esttab 命令，把以下三个回归结果做成一个三列的回归表：- 模型1：OLS 基准回归- 模型2：加入控制变量- 模型3：面板固定效应表格风格参考 AER，保留 3 位小数，标注 */**/*** 显著性水平输出 LaTeX 格式

AI 辅助论文图表

帮我用 Python matplotlib 画以下图表，学术风格：1. 平行趋势检验图（处理组 vs 控制组，标注处理时间垂直线）2. 系数图（coefficient plot），展示核心变量在不同子样本中的效果3. 事件研究图（event study），展示处理效应的动态变化所有图表用灰度配色，适合黑白打印

在 VS Code 中管理论文项目

项目文件结构建议：econ-research/├── data/│   ├── raw/          # 原始数据│   └── clean/        # 清洗后数据├── code/│   ├── 01_clean.do   # 数据清洗│   ├── 02_analysis.do # 回归分析│   └── 03_figures.py  # 图表生成├── results/│   ├── tables/       # 回归表│   └── figures/      # 图表├── paper/│   └── main.tex      # 论文主文件└── CLAUDE.md          # AI 配置文件

动手实操：

生成一个标准的三列回归表
生成一个平行趋势检验图
在 VS Code 中组织项目文件结构

Day 2 下午 · 模块四：进阶技巧与实战项目（3 学时）

第 10 节（60 分钟）：进阶配置与定制化

讲授内容：

CLAUDE.md：项目级 AI 配置文件

在项目根目录创建 CLAUDE.md：

# 项目：中国企业研发与绩效研究## 研究背景本项目分析中国上市公司的研发投入对企业绩效的影响。使用 CSMAR 数据库 2010-2022 年的面板数据。## 编码规范- 统计软件：Stata 17 / Python 3.11- Stata do 文件：使用 estout/esttab 输出回归表- Python：使用 pandas, matplotlib, statsmodels- 所有变量名使用小写英文加下划线- 回归表保留 3 位小数## 变量字典- firm_id: 企业股票代码- year: 年份- revenue: 营业收入（万元）- rd_expense: 研发支出（万元）- rd_intensity: 研发强度 = rd_expense / revenue- ln_revenue: 营收对数- employees: 员工数- province: 省份## 注意事项- 标准误始终聚类到企业层面- 所有回归包含年份固定效应- 连续变量做 1%/99% Winsorize

配置好后，Claude Code 在这个项目中会自动遵循上述规范。

Skills：经济学专属技能包
从 awesome-econ-ai-stuff 社区安装：

/r-econometrics
：R 语言 IV、DID、RDD 分析
/stata-regression
：Stata 发表级别回归输出
/python-panel
：Python 面板数据分析
/latex-paper
：LaTeX 学术论文撰写
/econ-data-fetch
：FRED/World Bank 数据获取

Agent Sessions：多 Agent 并行工作
在 VS Code 的 Agent Sessions 面板中：

用 Claude Code 做复杂的数据分析和代码重构
用 Copilot 做实时代码补全
用 Codex 执行独立的批处理任务

动手实操：

为自己的研究项目创建 CLAUDE.md
体验 Skills 的安装和使用
在 Agent Sessions 中同时使用两个 Agent

第 11 节（30 分钟）：学术伦理与最佳实践

讲授内容：

AI 辅助研究的伦理边界

可以做	不应做
AI 生成代码，人工审查逻辑	不审查直接使用 AI 生成的回归结果
AI 辅助写作初稿，人工修改	AI 生成整篇论文直接投稿
AI 建议稳健性检验方案	让 AI 选择"好看的"结果
AI 辅助翻译和润色	隐瞒 AI 工具的使用
用 AI 理解复杂代码	盲目信任 AI 的统计解读

关键原则

人类主导
：研究问题、因果识别策略、结果解释必须由研究者决定
可重现性
：保留所有 AI 交互记录和生成的代码
透明披露
：按期刊要求说明 AI 工具的使用方式
数据真实
：所有统计结果必须基于真实数据运行，绝不编造

主要经济学期刊的 AI 政策

AER、QJE 等顶刊已制定 AI 使用披露要求
国内期刊（如《经济研究》《管理世界》）也在跟进
建议：在论文致谢或方法部分明确说明使用了哪些 AI 工具

第 12 节（90 分钟）：分组实战项目

项目说明：

学员分为 4-5 人一组，在 90 分钟内完成以下任务：

选题（任选一个）：

选题	数据	方法
A. 研发投入与企业绩效	提供的企业面板数据	面板固定效应
B. 最低工资政策效果	提供的省份面板数据	DID
C. 教育回报率估计	提供的微观调查数据	IV
D. 贸易开放与经济增长	FRED + World Bank 数据	面板 OLS

要求：

在 VS Code 中使用 Claude Code 完成数据清洗（20 分钟）
完成基准回归和至少一个稳健性检验（30 分钟）
生成描述性统计表和回归表（20 分钟）
用 CoPaper.AI 生成论文 P1（引言）初稿（15 分钟）
小组展示（每组 5 分钟）：讲解研究思路、展示结果、反思 AI 使用体验

评分维度：

研究设计的合理性（40%）
AI 工具使用的熟练度（30%）
结果的可解释性（20%）
学术伦理意识（10%）

图 4：AI 辅助经济学实证研究全流程

四、培训前准备清单

4.1 硬件与网络要求

项目	最低要求	推荐配置
电脑	4GB 内存，任意操作系统	8GB+ 内存，SSD
网络	能访问 GitHub 和 npm	稳定的国际网络访问
屏幕	任意	建议外接显示器

4.2 软件预装清单

VS Code
：code.visualstudio.com 下载最新版
Node.js >= 22
：nodejs.org 下载 LTS 版本
Python 3.10+
：python.org 或 Anaconda
Stata
（如有）：版本 15 及以上
Git
：git-scm.com（Windows 用户必装）

4.3 账号准备

工具	账号要求	注册地址
Claude Code	Anthropic Pro 订阅	claude.ai
Codex CLI	OpenAI 账号 / ChatGPT Plus	openai.com
GitHub Copilot	GitHub 账号 + Copilot 订阅	github.com
CoPaper.AI	注册账号	copaper.ai

4.4 培训师准备

[ ] 准备示例数据集（4 个选题各一个）
[ ] 准备每个工具的备用演示视频（防止网络问题）
[ ] 准备国内模型替代方案（DeepSeek / GLM），应对海外服务不可用的情况
[ ] 测试培训教室的网络环境
[ ] 为每位学员准备一份安装速查卡（单页打印）

五、培训后跟进

5.1 学习资源

视频课程：

Paul Goldsmith-Pinkham 的 Claude Code for Applied Economists（7 集）
DeepLearning.AI 的 Claude Code 短课程

GitHub 资源：

awesome-ai-for-economists：100+ 经济学 AI 工具
awesome-econ-ai-stuff：18+ Claude Code 经济学技能包
Stata-MCP：在 VS Code 中直接运行 Stata

推荐阅读：

《Generative AI for Economic Research》（AEA 2025 更新版）
各工具官方文档（Claude Code Docs / OpenAI Codex Docs）

5.2 进阶学习路径

入门阶段（培训后 1-2 周）  → 在自己的真实研究项目中使用 Claude Code 做数据清洗中级阶段（1-2 个月）  → 配置 CLAUDE.md 和 Skills  → 尝试 MCP 服务器连接数据源  → 使用 CoPaper.AI 完成一篇完整论文初稿高级阶段（3-6 个月）  → 自定义 Skills 适配研究需求  → 使用 Agent Teams 功能实现多 Agent 并行分析  → 在课题组内推广 AI 辅助研究工作流

5.3 常见问题 FAQ

Q：国内网络环境下这些工具能正常使用吗？ A：Claude Code 和 Codex CLI 需要海外网络环境。替代方案包括：使用 cc-switch 工具切换到国内模型（DeepSeek、GLM）；或使用学校提供的国际网络。CoPaper.AI 网页端在国内可以直接访问。

Q：没有 Stata 怎么办？ A：Python + statsmodels / linearmodels 可以替代 Stata 完成绝大多数计量分析。Claude Code 和 Codex 都能生成 Python 代码。

Q：AI 生成的代码可靠吗？ A：AI 生成的代码需要人工审查。建议流程：AI 生成 → 人工检查逻辑 → 运行测试 → 核对结果。不要盲目信任 AI 输出的统计结果。

Q：使用 AI 工具写论文算学术不端吗？ A：关键在于如何使用。AI 作为编码和写作辅助工具是可以接受的，但研究设计、因果识别、结果解释必须由研究者独立完成。请按期刊要求披露 AI 使用情况。

Q：费用谁来承担？ A：建议学院或课题组统一采购。Claude Pro 和 ChatGPT Plus 各 $20/月，是性价比很高的科研投入。部分工具（GitHub Copilot）对学生免费。

六、技术细节补充

6.1 Stata MCP 扩展：VS Code 中直接运行 Stata 的完整配置

Stata MCP 是目前最成熟的 Stata + AI 集成方案，能让 Claude Code、GitHub Copilot 等 AI 直接在 VS Code 中执行 Stata 命令并获取实时输出。

安装步骤：

# 方式 1：VS Code 扩展市场# 搜索 "Stata MCP" → 安装# 方式 2：命令行安装code --install-extension DeepEcon.stata-mcp

系统要求：

Stata 17 或更高版本
UV 包管理器（扩展首次启动时自动安装，约需 2 分钟）

核心快捷键：

操作	Windows/Linux	macOS
运行选中代码	`Ctrl+Shift+Enter`	`Cmd+Shift+Enter`
运行整个 do 文件	`Ctrl+Shift+D`	`Cmd+Shift+D`
停止执行	`Ctrl+Shift+C`	`Cmd+Shift+C`

关键配置项（settings.json）：

{"stata-vscode.stataPath":"/Applications/Stata/StataMP.app/Contents/MacOS/stata-mp","stata-vscode.stataEdition":"mp","stata-vscode.mcpServerHost":"localhost","stata-vscode.mcpServerPort":4000,"stata-vscode.resultDisplayMode":"compact","stata-vscode.workingDirectory":"relative"}

与 AI 工具集成：

Claude Code 接入 Stata MCP：

claude mcp add --transport sse stata-mcp http://localhost:4000/mcp

GitHub Copilot 接入（.vscode/mcp.json）：

{"servers":{"stata-mcp":{"type":"sse","url":"http://localhost:4000/mcp"}}}

接入后，AI 可以直接执行 Stata 代码并读取回归结果，无需在 Stata GUI 和编辑器之间来回切换。

6.2 CLAUDE.md 进阶配置：经济学研究项目模板

根据社区最佳实践（建议控制在 300 行以内），以下是经济学实证研究的完整 CLAUDE.md 模板：

# 项目：[研究标题]## 研究概述- 研究问题：[一句话描述]- 方法：[OLS / FE / IV / DID / RDD]- 数据来源：[CSMAR / FRED / CFPS / 自采]- 数据时间跨度：[2010-2022]## 编码规范- 主力软件：Stata 17（do 文件）+ Python 3.11（数据获取和可视化）- Stata 回归输出：使用 esttab/estout，保留 3 位小数- Python 可视化：matplotlib 学术风格，灰度配色适配黑白打印- 变量命名：小写英文 + 下划线（如 ln_revenue, rd_intensity）- 所有路径使用相对路径，禁止硬编码绝对路径## 变量字典| 变量名 | 含义 | 类型 | 来源 ||--------|------|------|------|| firm_id | 企业标识 | ID | CSMAR || year | 年份 | 时间 | - || revenue | 营业收入（万元） | 连续 | CSMAR || ... | ... | ... | ... |## 统计规范- 标准误聚类层面：企业层面- 固定效应：企业 FE + 年份 FE- 连续变量 Winsorize：1% / 99%- 显著性标注：* p<0.1, ** p<0.05, *** p<0.01## 文件结构- data/raw/ → 原始数据（不可修改）- data/clean/ → 清洗后数据- code/ → 按编号排序的脚本- results/tables/ → 回归表（LaTeX 格式）- results/figures/ → 图表（PDF + PNG）## 禁止事项- IMPORTANT: 不要编造或伪造任何统计结果- IMPORTANT: 不要在未经确认的情况下删除观测值- 不要修改 data/raw/ 目录中的任何文件

进阶技巧：

模块化管理：大型项目可用 @import 引用子文件

@import code/variable_dictionary.md@import code/regression_specs.md

团队协作：将 CLAUDE.md 提交到 Git，团队成员共享同一套规范
自我优化：当 Claude 犯错时直接说"把这条规则添加到 CLAUDE.md"，让纠正沉淀下来
个人配置：在 CLAUDE.local.md（加入 .gitignore）中存放个人偏好

6.3 75 个 Stata AI 提示词精选（按研究阶段分类）

以下提示词可直接在 Claude Code 或 Codex 中使用：

数据清洗阶段：

1. "读取 firm_data.csv，检查所有变量的缺失值比例，生成缺失值报告"2. "对所有连续变量做 1%/99% 的 Winsorize 处理，使用 winsor2 命令"3. "检测 revenue 变量的异常值（超过均值±3个标准差），列出这些观测"4. "将 province 变量从中文转换为省份代码，生成 province_code"5. "按 firm_id 和 year 去重，保留每组最后一条记录"6. "生成以下滞后变量：L1_revenue, L2_revenue, L1_rd_expense"7. "将年度数据与月度数据按 year 和 firm_id 合并，使用 1:m merge"8. "检查面板数据的平衡性，报告每个企业的观测年份数量分布"

描述性统计阶段：

9. "生成发表级别的描述性统计表（Table 1），包含 N、Mean、SD、Min、P25、P50、P75、Max"10. "生成相关系数矩阵，标注显著性水平，输出 LaTeX 格式"11. "按处理组和控制组分别生成描述性统计，做均值差异 t 检验"12. "画出 ln_revenue 的核密度图，按处理前后分组叠加显示"13. "生成各年份样本量的时间序列图，检查是否有样本断层"

回归分析阶段：

14. "运行基准 OLS 回归：ln_revenue = β₀ + β₁×rd_intensity + Controls + ε"15. "运行面板固定效应回归，包含企业 FE 和年份 FE，聚类到企业层面"16. "做 Hausman 检验，判断应该使用固定效应还是随机效应"17. "运行 IV 回归：内生变量 rd_intensity，工具变量为同行业平均研发强度"18. "报告第一阶段 F 统计量，检验工具变量是否足够强"19. "运行 DID 回归：treat × post 交互项，控制企业和年份固定效应"20. "做事件研究分析（event study），画出动态效应图，标注 95% 置信区间"

稳健性检验阶段：

21. "替换因变量为 ROA，重新运行基准回归"22. "删除直辖市样本后重新回归，检验结果是否稳健"23. "做安慰剂检验：将处理时间提前 2 年，检验是否有显著效果"24. "做 PSM-DID：先用 Logit 模型估计倾向得分，然后最近邻匹配后做 DID"25. "做 Bootstrap 标准误检验，重复 1000 次"26. "将聚类层面从企业层面换到行业-年份层面，重新估计标准误"27. "做排除限制检验（overidentification test），使用 Hansen J 统计量"

输出与可视化阶段：

28. "用 esttab 生成三列回归表，列标题为 OLS、FE、IV，输出 LaTeX"29. "画系数图（coefficient plot），展示核心变量在不同子样本中的效果"30. "画平行趋势检验图，处理组和控制组分别用实线和虚线"

6.4 国内网络环境适配方案

方案 A：使用国内模型替代（零海外依赖）

通过 cc-switch 工具或环境变量切换后端模型：

# 使用 DeepSeek 替代 Claudeexport ANTHROPIC_BASE_URL="https://api.deepseek.com/v1"export ANTHROPIC_API_KEY="your-deepseek-key"# 使用智谱 GLM 替代export ANTHROPIC_BASE_URL="https://open.bigmodel.cn/api/paas/v4"export ANTHROPIC_API_KEY="your-glm-key"

推荐国内模型：

DeepSeek V3
：代码能力强，中文优秀，API 价格低
GLM-4.7
：中文优化最好，适合论文写作辅助
Kimi K2
：超长上下文（128K+），适合处理大数据集

方案 B：学校统一网络方案

联系学校网络中心，确认是否提供科研用国际网络
部分高校图书馆已采购 AI 工具统一账号

方案 C：API 中转服务

使用第三方 API 聚合服务（如 OfoxAI），支持微信/支付宝支付，无需海外信用卡。

6.5 高校 AI 使用政策速览（2026 年最新）

根据多所高校已发布的规定，培训中需要向学员强调以下政策要点：

复旦大学（国内首个 AI 禁令）：

禁止直接生成论文正文文本
禁止在研究方案设计、创新方法、算法框架等关键环节使用 AI
必须披露 AI 工具名称、版本、使用时间和具体用途

青岛科技大学/江苏大学：

AI 使用遵循"辅助性、透明性、可控性"三原则
禁止 AI 用于核心观点、研究方法、研究结论的生成
允许 AI 用于文献检索、数据处理、引文整理等辅助工作

北京邮电大学：

开发"文察"AI 检测系统，可识别 AI 生成内容（准确率超 90%）
AI 仅限辅助工作：文献调研、数据处理、引文整理

共同原则：

学生和导师对提交内容承担全部责任
AI 工具"辅助"而非"替代"原创学术思考
各学院应开展 AI 使用专项教育培训

6.6 Claude Code for Applied Economists 课程笔记

耶鲁大学 Paul Goldsmith-Pinkham 教授的 7 集系列课程是目前最权威的经济学 AI 工具教程：

Episode 1 · Getting Started：

Claude Code 是终端 AI 编程助手，可读写本地文件、运行代码
关键原则：管理上下文窗口（200K token），避免信息过载
推荐搭配工具：Ghostty 终端、Zellij 多窗口管理、Oh My Zsh

Episode 2 · Data Analysis：

演示从 Census 获取美国住房所有权数据
Claude 自动处理数据抓取、清洗、脚本生成全流程
核心理念："缩小从模糊想法到初步结果的距离"

Episode 3 · Web Scraping：

从 SEC EDGAR 抓取企业 10-K 报告中的风险披露
构建 DuckDB 数据库追踪关税相关风险提及频率
展示"计划→迭代→精化"将非结构化数据转为研究数据集

实操案例（Staggered DID 讲座生成）：

输入一条指令："创建交叠 DID 方法讲座"
Claude 自动生成：

3 份 Beamer 幻灯片（共 120 页）
3 个 Stata 脚本（偏误模拟、方法示例、稳健性检验）
使用指南 + 参考文献库 + 统一 LaTeX 格式

6.7 经济学 MCP 数据源完整清单

以下 MCP 服务器可在 Claude Code 中通过一行命令接入：

MCP 服务器	数据内容	指标数量
FRED MCP	美联储经济数据	80 万+ 时间序列
World Bank MCP	全球发展指标	1,400+ 指标
BLS MCP	美国劳动统计（CPI、失业率、工资）	数千系列
BEA MCP	美国经济分析局（GDP、个人收入）	数百系列
Census MCP	美国人口普查数据	-
Eurostat MCP	欧盟统计数据	5,000+ 数据集
IMF Data MCP	国际货币基金组织预测和国际收支	-
OECD MCP	经合组织数据	5,000+ 数据集
OpenEcon	统一接口聚合多个数据源	33 万+ 指标
FinanceMCP	Tushare 中国金融数据	股票/基金/债券/宏观

接入示例：

# 在 Claude Code 中接入 FRED MCPclaude mcp add fred-mcp# 接入后即可直接查询# 提示词："从 FRED 下载 2000-2024 年美国 CPI 月度数据"

6.8 经济学 Claude Code Skills 技能包

从 awesome-econ-ai-stuff 社区可安装以下经济学专属技能包：

# 安装经济学技能包市场/plugin marketplace add anthropics/skills

可用 Skills 列表：

技能名	功能	适用场景
`/python-panel`	Python 面板数据分析（linearmodels, pandas）	面板固定效应、聚类标准误
`/r-econometrics`	R 语言 IV、DID、RDD 分析	因果推断全家桶
`/stata-regression`	Stata 发表级别回归输出	生成 esttab 格式表格
`/stata-cleaning`	Stata 数据清洗和变量构建	缺失值、Winsorize、合并
`/econ-data-fetch`	FRED / World Bank 数据获取	自动下载和格式化
`/latex-paper`	LaTeX 学术论文撰写	论文结构和排版
`/beamer-slides`	Beamer 学术幻灯片制作	课堂和会议演示
`/ggplot-viz`	ggplot2 发表级可视化	系数图、趋势图

技能包的工作原理：

Skills 本质上是包含 SKILL.md 文件的文件夹，存放在 ~/.claude/skills/ 目录。Claude 根据任务需求自动判断并激活对应技能——无需手动触发。例如，当你说"帮我做一个 DID 分析"时，Claude 会自动加载 /r-econometrics 或 /stata-regression 技能。

自定义经济学 Skill 示例：

在 ~/.claude/skills/econ-regression/SKILL.md 中：

---name: 经济学回归分析description: 生成标准经济学回归代码，包含固定效应、聚类标准误和发表格式输出---# 执行规范- 所有回归默认包含企业固定效应和年份固定效应- 标准误聚类到企业层面（除非用户另行指定）- 使用 esttab 输出 LaTeX 格式表格- 连续变量默认做 1%/99% Winsorize- 显著性标注：* p<0.1, ** p<0.05, *** p<0.01- 每个回归模型报告 N、R²、F 统计量

七、进阶技术细节补充（第二批）

7.1 Claude Code Plan Mode（规划模式）详解

Plan Mode 是 Claude Code 最核心的工作模式，Anthropic 创始人 90% 的时间都在使用此模式。

启用方式：

快捷键 Shift + Tab 连按两次
Windows: Alt + M
命令输入框输入 /plan

工作流程：

接收任务 → 分析项目 → 探索代码库 → 设计方案 → 用户确认 → 执行实现                                          ↑                    ↓                                          ← 不同意则调整方案 ←

经济学研究中的应用：

Plan Mode 特别适合复杂的实证研究项目。例如：

我需要做一个 DID 分析，数据是 2010-2022 年中国上市企业面板数据。处理组是 2015 年获得研发补贴的企业。请先制定分析计划，包括：数据清洗步骤、基准回归设定、平行趋势检验方案、稳健性检验清单。不要直接写代码。

Claude 会生成一个详细的多步骤计划，包括每步的具体操作和预期输出，等你确认后才开始写代码。这避免了 AI 直接生成一堆代码但逻辑不对的问题。

什么时候该用 Plan Mode？

修改涉及多个文件的复杂分析
你对方法不确定，需要先讨论方案
你不熟悉被修改的代码
需要在编码前产出可选方案和权衡点

什么时候不用？

能用一句话描述的简单任务，直接跳过计划

7.2 Sub Agent（子代理）并行研究

Sub Agent 是 Claude Code 的"专业化分身"，每个子代理在独立的 200K token 上下文窗口中运行。

核心优势：

上下文隔离
：探索工作与主对话分离，不污染主线
并行执行
：多个子代理同时处理不同任务
专业化
：每个子代理可以有定制的系统提示和工具权限
成本控制
：可将简单任务路由到更便宜的模型（如 Haiku）

经济学研究中的并行场景：

场景：同时处理多个稳健性检验├── Sub Agent 1（后台）：替换因变量为 ROA，重新回归├── Sub Agent 2（后台）：删除直辖市样本，重新回归├── Sub Agent 3（后台）：做安慰剂检验└── 主 Agent：继续写论文的引言部分

创建自定义子代理：

运行 /agents 命令 → 选择 "Create new agent" → 配置：

名称：如 "经济学数据分析员"
系统提示：专注于 Stata 代码生成和数据清洗
工具权限：仅允许 Read、Bash（运行代码）

后台模式： 按 Ctrl+B 将子代理发送到后台运行，你可以继续在主对话中工作。

7.3 Git Worktree：多任务并行的安全沙盒

Git Worktree 让你从一个仓库"克隆"出多个独立工作目录，每个有自己的文件和分支，但共享 Git 历史。

在 Claude Code 中使用：

# 创建隔离的 worktreeclaude --worktree feature-robustness# 或者在 Desktop 版本中：# 点击侧边栏 "+ New session" → 自动创建独立 Worktree

经济学研究的典型用法：

主分支：基准回归分析（稳定版本）├── worktree-1：尝试新的工具变量（实验性）├── worktree-2：加入异质性分析（新功能）└── worktree-3：处理审稿人意见（修改版）

每个 worktree 是完全隔离的沙盒——万一 AI 搞坏了也不影响主分支。

自动清理： 如果 worktree 没有未提交的修改，Claude Code 会自动删除目录和分支。

7.4 Hooks（钩子）：自动化工作流

Hooks 是在 Claude Code 生命周期特定节点自动执行的 shell 命令。

可用的 Hook 事件：

事件	触发时机	典型用途
`PreToolUse`	工具调用之前	阻止危险操作
`PostToolUse`	工具调用之后	自动格式化代码
`Stop`	Claude 完成响应	自动运行测试
`Notification`	发送通知	长任务完成提醒
`UserPromptSubmit`	用户提交提示	自动添加上下文
`SessionStart`	会话开始	加载项目配置

经济学研究中的实用 Hook 示例：

在 ~/.claude/settings.json 中配置：

{"hooks":{"PostToolUse":[{"matcher":"Write","command":"if [[ \"$CLAUDE_FILE\" == *.do ]]; then echo '提醒：请检查 do 文件中的路径是否使用了相对路径'; fi"}],"Stop":[{"command":"echo '任务完成。请人工审查所有统计结果的准确性。'"}]}}

7.5 Winsorize 缩尾处理技术细节

缩尾处理是经济学实证研究中处理离群值的标准方法。

原理： 将小于 P1 分位数的值替换为 P1 值，将大于 P99 分位数的值替换为 P99 值。

Stata 实现（winsor2 命令）：

* 安装ssc install winsor2, replace* 基本用法：对单个变量 1%/99% 缩尾winsor2 revenue, replace cuts(1 99)* 同时处理多个变量winsor2 revenue rd_expense employees, replace cuts(1 99)* 按年份分组缩尾（面板数据推荐）winsor2 revenue, replace cuts(1 99) by(year)* 生成新变量而非替换winsor2 revenue, cuts(1 99) suffix(_w)* 生成 revenue_w

Python 实现：

import numpy as npdefwinsorize(series, lower=0.01, upper=0.99):    q_low = series.quantile(lower)    q_high = series.quantile(upper)return series.clip(lower=q_low, upper=q_high)# 对面板数据按年份分组缩尾df['revenue_w'] = df.groupby('year')['revenue'].transform(lambda x: winsorize(x, 0.01, 0.99))

AI 提示词：

对 firm_data.dta 中的 revenue、rd_expense、employees 三个变量做 1%/99% 的缩尾处理，按年份分组。用 winsor2 命令，生成后缀为 _w 的新变量。处理前后各输出一次描述性统计做对比。

7.6 Python linearmodels 面板回归完整示例

对于没有 Stata 的学员，Python 的 linearmodels 库可以完成相同的面板数据分析。

安装：

pip install linearmodels pandas

完整面板固定效应回归代码：

import pandas as pdfrom linearmodels.panel import PanelOLS# 读取数据df = pd.read_csv('firm_data_clean.csv')# 设置面板索引（个体 + 时间）df = df.set_index(['firm_id', 'year'])# 方式 1：公式接口（推荐）formula = 'ln_revenue ~ rd_intensity + ln_employees + EntityEffects + TimeEffects'mod = PanelOLS.from_formula(formula, df)res = mod.fit(cov_type='clustered', cluster_entity=True)print(res.summary)# 方式 2：直接传参mod2 = PanelOLS(    dependent=df['ln_revenue'],    exog=df[['rd_intensity', 'ln_employees']],    entity_effects=True,    time_effects=True)res2 = mod2.fit(cov_type='clustered', cluster_entity=True)# 导出结果from linearmodels.panel import comparecomparison = compare({'OLS': res_ols, 'FE': res, 'RE': res_re})print(comparison.summary)

Hausman 检验（固定效应 vs 随机效应）：

from linearmodels.panel import PanelOLS, RandomEffects# 分别估计 FE 和 RE，然后比较系数差异

7.7 esttab/estout LaTeX 回归表完整配置

Stata 发表级回归表标准流程：

* 安装ssc install estout, replace* 运行回归并存储eststo cleareststo: reg ln_revenue rd_intensity, robusteststo: xtreg ln_revenue rd_intensity i.year, fe cluster(firm_id)eststo: ivregress 2sls ln_revenue (rd_intensity = iv_rd) i.year, cluster(firm_id)* 输出 LaTeX 格式表格esttab using "results/tables/reg_table1.tex", ///replace///    b(3) se(3) ///    star(* 0.1 ** 0.05 *** 0.01) ///    title("研发强度与企业绩效") ///    mtitles("OLS""FE""IV") ///    scalars("N Observations""r2 R-squared""F F-statistic") ///    addnotes("标准误聚类到企业层面""*** p<0.01, ** p<0.05, * p<0.1") ///label booktabs

关键选项说明：

选项	作用	示例
`b(3)`	系数保留 3 位小数	0.153
`se(3)`	标准误保留 3 位小数	(0.042)
`star()`	显著性星号标注	*** p<0.01
`mtitles()`	每列标题	"OLS" "FE" "IV"
`scalars()`	底部统计量	N, R², F
`booktabs`	使用 booktabs 宏包的线条风格	更美观的表格
`label`	用变量标签替代变量名	研发强度而非 rd_intensity
`drop(_cons)`	隐藏常数项	-

7.8 FinanceMCP：中国金融数据直通 Claude

FinanceMCP 是专为中国市场设计的 MCP 服务器，集成 Tushare API，提供 14 个核心数据工具。

数据覆盖：

A 股、港股、美股、基金、债券、期权
宏观经济指标：GDP、CPI、PPI、PMI 等 11 项
实时财经新闻（7+ 主流财经媒体）
资金流向、龙虎榜、融资融券

Claude Code 接入：

# 方式 1：全局安装npm install -g finance-mcp# 方式 2：Claude Code 直接添加claude mcp add finance-mcp

配置 Tushare Token：

在 tushare.pro 注册账号
从个人中心获取 API Token
学生可在 QQ 群（290541801）申请 2000 免费积分
在环境变量或配置文件中设置 Token

使用示例：

从 Tushare 获取 2020-2024 年 A 股所有上市公司的年度财务数据，包括营业收入、净利润、研发支出、总资产、行业分类，保存为 CSV 并做基本的描述性统计。

7.9 VS Code + LaTeX Workshop 学术论文环境配置

安装步骤：

安装 TeX Live（完整版约 4GB）或 MikTeX
VS Code 中安装 LaTeX Workshop 扩展
配置中文支持（XeLaTeX 编译器）

settings.json 关键配置：

{"latex-workshop.latex.tools":[{"name":"xelatex","command":"xelatex","args":["-synctex=1","-interaction=nonstopmode","%DOC%"]},{"name":"bibtex","command":"bibtex","args":["%DOCFILE%"]}],"latex-workshop.latex.recipes":[{"name":"xelatex → bibtex → xelatex × 2","tools":["xelatex","bibtex","xelatex","xelatex"]}],"latex-workshop.view.pdf.viewer":"tab"}

经济学论文常用 LaTeX 宏包：

\usepackage{booktabs}    % 美观的三线表\usepackage{threeparttable} % 表格注释\usepackage{graphicx}    % 插图\usepackage{amsmath}     % 数学公式\usepackage{natbib}      % 参考文献管理\usepackage{hyperref}    % 超链接\usepackage{ctex}        % 中文支持（中文论文）

7.10 CoPaper.AI 与因果推断前沿方法

CoPaper.AI 在 2026 年已全面支持机器学习与因果推断的交叉方法：

支持的前沿方法：

Causal Forest（因果森林）
DML（Double/Debiased Machine Learning）
Meta-Learners（S-Learner、T-Learner、X-Learner）
Synthetic DID（合成双重差分）

自动代码生成： 系统根据研究设计自动生成使用 econml、grf、DoubleML 等包的可执行代码。

工作流：

在研究信息表中选择因果推断方法
系统自动推荐最适合的前沿方法
生成代码并在内置环境中执行
输出标准格式的回归表和图表
逐章人工审核确认

7.11 StatsPAI：Agent 原生的因果推断与计量经济学工具包

StatsPAI 是由 CoPaper.AI 团队（斯坦福 REAP 项目）开发的开源 Python 包，专为 AI Agent 驱动的实证研究设计。它将传统分散在 R 包（fixest、did、rdrobust、gsynth、DoubleML、MatchIt）和 Stata 计量命令中的能力，统一到一个 Python API 中。

GitHub 地址： github.com/brycewang-stanford/StatsPAI

核心特点：一个 import，390+ 函数，覆盖完整实证研究流程。

安装：

pip install statspai

为什么说它是"Agent 原生"？

StatsPAI 的每个函数都返回结构化的 result 对象，自带 schema 描述。内置三个发现函数：

sp.list_functions()
— 列出所有可用函数
sp.describe_function("did")
— 获取函数的详细说明
sp.function_schema("did")
— 获取参数的 JSON Schema

这意味着 Claude Code、Codex 等 AI Agent 可以自动发现、理解和调用任何 StatsPAI 函数，无需人工编写提示词模板。

方法覆盖（390+ 函数）：

类别	包含方法
回归模型	OLS、IV/2SLS、面板 FE/RE、分位数回归、Tobit、Logit/Probit、泊松/负二项、Beta 回归
因果推断（经典）	DID（含交叠 DID：Callaway-Sant'Anna、Sun-Abraham）、RDD（Sharp/Fuzzy）、PSM、熵平衡、合成控制
因果推断（ML）	Double ML、Causal Forest、Meta-Learners（S/T/X/R/DR-Learner）、TMLE、AIPW、DeepIV
神经因果模型	TARNet、CFRNet、DragonNet
因果发现	NOTEARS、PC 算法
策略学习	策略树、价值评估
高级方法	孟德尔随机化、保形推断、贝叶斯因果森林、剂量-反应分析、Bunching 估计

发表级输出：

每个函数内置 Word + Excel + LaTeX + HTML 四种格式输出：

import statspai as sp# 运行 DID 分析result = sp.did(data, y="ln_revenue", treat="treated", post="post_2015",                fe=["firm_id", "year"], cluster="firm_id")# 查看结果result.summary()# 导出result.to_latex("results/tables/did_table.tex")result.to_word("results/tables/did_table.docx")result.plot()        # 自动生成平行趋势图和动态效应图# 引用信息result.cite()        # 生成引用所用方法论的参考文献

自动化稳健性检验：

# 一键规格曲线分析（Specification Curve）sp.spec_curve(data, y="ln_revenue", x="rd_intensity",              controls_pool=["size", "age", "leverage", "industry"],              fe_pool=["firm_id", "year", "province"])# 一键稳健性报告sp.robustness_report(result,                     placebo=True,        # 安慰剂检验                     psm_did=True,        # PSM-DID                     alt_outcomes=["roa", "profit"])  # 替换因变量

异质性分析：

# 一键分组异质性分析sp.subgroup_analysis(data, y="ln_revenue", treat="treated", post="post_2015",                     subgroups=["ownership", "region", "firm_size"])# 自动生成分组回归表和系数对比图

交互式图表编辑器（v0.6 新功能）：

fig = result.plot()sp.interactive(fig)   # 打开类似 Stata Graph Editor 的 WYSIWYG 编辑器# 支持 29 种学术主题、实时预览、自动生成可复现代码

与 Claude Code 的配合：

在项目的 CLAUDE.md 中添加：

## 分析工具本项目使用 StatsPAI 进行所有计量分析。使用 sp.list_functions() 查看可用方法。所有回归结果用 .to_latex() 导出到 results/tables/ 目录。

配置后，Claude Code 会自动使用 StatsPAI 的 API 执行分析任务，无需你手写代码。

对比传统工具的优势：

维度	Stata	R（多包组合）	StatsPAI
API 统一性	命令风格各异	包之间接口不同	统一 result 对象
AI Agent 友好	无 schema	无 schema	内置 JSON Schema
异质性分析	手动循环	手动循环	`subgroup_analysis()` 一键
稳健性检验	逐个手写	逐个手写	`robustness_report()` 一键
输出格式	esttab 单一	stargazer 等	Word/Excel/LaTeX/HTML 全覆盖
可视化编辑	Graph Editor	无	`sp.interactive()`

八、参考来源

1. 文科生小白入门：计量经济学家 Sant'Anna 的 Claude Code 工作流 — 搜狐 sohu.com/a/998724643_121124024

2. Claude Code 国内使用指南 2026：3 个方案对比 — 知乎 zhuanlan.zhihu.com/p/2010435773195911381

3. Claude Code 完全指南：使用方式、技巧与最佳实践 — 博客园 cnblogs.com/knqiufan/p/19449849

4. 2026 Claude Code 工作流最佳实践：当 AI 写 90% 的代码 — ccino.org blog.ccino.org/p/claude-code-workflow-best-practices-2026

5. Codex CLI 国内使用教程（2026 年 2 月最新版） — 小林coding xiaolincoding.com/other/codex.html

6. 2026 年国内 Codex 安装教程和使用教程：GPT-5.3-Codex 完整指南 — 知乎 zhuanlan.zhihu.com/p/2004914542765941622

7. 2026 最新 Codex CLI 国内安装与使用全攻略 — 知乎 zhuanlan.zhihu.com/p/2024551339116491690

8. Codex CLI 国内使用教程（2026 年 4 月最新版） — 编程指北 csguide.cn/private/how-to-use-codex.html

9. CLAUDE.md 全方位指南：构建高效 AI 开发上下文 — 腾讯云开发者社区 cloud.tencent.com/developer/article/2619981

10. CLAUDE.md 文件介绍（Claude Code 核心配置文件） — CSDN blog.csdn.net/Dontla/article/details/150590085

11. Claude Code Skills 保姆级安装和使用教程 — 博客园 cnblogs.com/javastack/p/19176207

12. Skills 技能包开发与自动化实战教程 — 博客园 cnblogs.com/gccbuaa/p/19472806

13. 6 小时掌握 Stata 操作与 AI 辅助 — 经管之家 baoming.pinggu.org/Default.aspx?id=493

14. 75 个 Stata AI 提示实例：提升数据分析效率 — 搜狐 sohu.com/a/830261336_121902920

15. Stata 配置分享：如何通过 VS Code 和 Jupyter 获得更好的 Stata 使用体验 — Beetles' Blog beetlesliu.github.io

16. VScode+Stata：在 VScode 中编辑和运行 Stata 命令 — CSDN blog.csdn.net/arlionn/article/details/119278946

17. 当大学论文多了"AI 味"，高校如何给 AI 工具使用立规矩 — 金羊教育 edu.ycwb.com/2025-04/01/content_53329026.htm

18. 多所高校明确论文写作中 AI 使用限度：严禁生成核心观点 — 科技日报 stdaily.com/web/gdxw/2026-03/24/content_491381.html

19. 复旦大学关于本科毕业论文中使用 AI 工具的规定（试行） — 复旦大学 fudan.design/ai.html

20. 2026 最终版：Claude 注册、订阅与稳定使用全攻略 — 红孩儿Redman redman.blog/index.php/2026/03/26/claude2026

21. Claude Code Sub Agent 完全指南：打造专属 AI 编程助手团队 — Kelen kelen.cc/posts/claude-code-subagent-tutorial

22. Claude Code 多 Agent 入门：从一问一答到并行协作 — CSDN blog.csdn.net/Rabbit_QL/article/details/159380443

23. Claude Code 入门实战 5：子代理（Subagent）使用指南 — 知乎 zhuanlan.zhihu.com/p/2010819906703213018

24. Claude Code 新功能：Worktree 并行开发 — 知乎 zhuanlan.zhihu.com/p/2008960546398049214

25. 告别频繁切换分支！Git Worktrees + Claude Code 并行开发 — 腾讯云 cloud.tencent.com/developer/article/2623910

26. Claude Code 接入四大国产编程模型 DeepSeek、GLM、Qwen、Kimi 全指南 — 知乎 zhuanlan.zhihu.com/p/1944667171704779382

27. 五分钟国内配置 Claude Code + DeepSeek 模型完全操作指南 — 知乎 zhuanlan.zhihu.com/p/2010102236194296717

28. Claude Code 使用指南：从官方配置到接入第三方模型 — Kevnu kevnu.com/zh/posts/claude-code-usage-guide-from-official-configuration-to-integrating-third-party-models

29. 计划模式（Plan Mode）详解 — Claude Code 中文站 claude-code-hub.org/docs/foundation/plan-mode

30. Claude Code 新手实战指南：11 条经验分享 — 知乎 zhuanlan.zhihu.com/p/1939514155024490599

31. Stata 回归结果输出之 esttab 详解（更新版） — 腾讯云 cloud.tencent.com/developer/article/1820267

32. Stata 结果输出：用 esttab 命令绘制 LaTeX 表格 — 连享会 lianxh.cn/details/948.html

33. winsor2：离群值和异常值的缩尾处理 — CSDN blog.csdn.net/arlionn/article/details/118303408

34. Python linearmodels 面板数据回归（一） — 知乎 zhuanlan.zhihu.com/p/543143370

35. 使用 NVM 安装 Node.js 22 并配备国内镜像加速 — 博客园 cnblogs.com/clnchanpin/p/19172032

36. FinanceMCP：Tushare + Claude 中国金融数据 MCP 服务器 — GitHub github.com/guangxiangdebizi/FinanceMCP

37. CoPaper.AI 全面支持机器学习 × 因果推断前沿方法 — 知乎 zhuanlan.zhihu.com/p/2019799009443730889

38. AI 赋能课程改革，厦大经济学科探索教学新思路 — 厦门大学 chow.xmu.edu.cn/info/1032/36802.htm

39. 50 种 Matplotlib 科研论文绘图合集 — 知乎 zhuanlan.zhihu.com/p/220345912

40. Claude 新王牌 Skills 深度解析：让 AI 秒变行业专家 — 知乎 zhuanlan.zhihu.com/p/1966598753134842902

英文来源

1. Paul Goldsmith-Pinkham: Claude Code for Applied Economists — Markus Academy markusacademy.substack.com/p/claude-code-for-applied-economists

2. Awesome AI for Economists — GitHub github.com/hanlulong/awesome-ai-for-economists

3. Awesome Econ AI Stuff (Skills) — GitHub Pages meleantonio.github.io/awesome-econ-ai-stuff

4. Claude Code 官方文档（中文） — Anthropic code.claude.com/docs/zh-CN/quickstart

5. OpenAI Codex CLI 文档 — GitHub github.com/openai/codex

6. Stata MCP 扩展文档 — GitHub github.com/hanlulong/stata-mcp

7. AEA: Generative AI for Economic Research (2025 Update) — AEA aeaweb.org/content/file?id=23290

8. 7 Best AI Tools for Economics (2026) — Dupple dupple.com/learn/best-ai-for-economics

9. Claude Code Best Practices — Anthropic code.claude.com/docs/zh-CN/best-practices

10. Using Skills to Extend Claude — Anthropic code.claude.com/docs/zh-CN/skills

11. StatsPAI GitHub Repo —

- 本培训由来自斯坦福大学 REAP团队的 CoPaper.AI 创始人 Bryce Wang（王几行 XING）开展，面向中国国内高校经管类/社会科学各方向的教师和学生。

- 本培训通过线上在每周末进行，滚动开班，满 20 人立即开营

- 费用：原价 ¥799，目前 5折 ¥399。2 人以上的团购均有优惠。

- 咨询微信：brycewang2026