专题一：多模态数据实证变量构建研究范式

1.多模态数据定义与实证研究价值：文本、音频、视频、图片四类非结构化数据，具备非结构化数据的信息密度、多模态互补性等优势

2. FT50顶刊中多模态数据常见应用范式：系统性梳理顶刊经典应用文献，多模态数据+LLM结构化处理+因果识别

3.核心关键任务之结构化信息提取：从多模态内容中自动抽取关键实体、时间、地点、数值、政策条款、行为事件、情等，转化为可直接回归的实证变量，解决非结构化数据难量化问题

专题一：Claude Code智能体环境搭建与编程协同

课时1：AI科研新范式与智能体核心

1.课程全景介绍：从“手搓科研”、“写代码”到“指挥智能体”的范式革命

2.AI Agent核心概念：LLM原理（Transformer/自注意力）、Agent vs 对话式AI、CoT思维链

3.主流智能体深度解析：对比Claude Code、VS Code 、 Codex、Work Buddy主流智能体框架，工作原理、操作演示、Project、MCP (Model Context Protocol) 等

4.人机协作高阶思维模型：

（1）自指内核：验证Agent输出的“自信度+逻辑审查”双通道法

（2）元认知架构：让AI的思考过程透明化、可迭代，在提示中嵌入元认知指令

（3）人类保留判断权（Human-in-the-Loop）：HLER系统的设计哲学

课时2：环境配置与“Harness四件套”协同实战 

1.科研环境协同配置：VS Code + Claude Code + Anaconda (Python) + Stata MP 的实证研究协同配置方案

2.自然语言生成代码的RTCE框架（角色/任务/约束/示例）

3.实操1：配置Stata MCP：让Claude Code能直接调用并执行Stata命令，给出分析结果报告

4.实操2：Harness四件套实战：Memory (项目背景记忆)、Skills (调用“计量分析”可复用Skill)、MCP (连接本地数据文件夹、连接Zotero等外部数据库)、Hooks (自动核查样本量并预警) 

5.实操3：让Claude自动调用Python和Stata做固定效应模型生成回归结果表，并比较结果

课时3：智能体Skill构建实操

1.Skill开发、改良与封装：Skill定义与科研价值、Skill标准结构（元数据、输入/输出、处理逻辑、测试用例）、开发流程、社区资源获取（ClawHub、SkillHub）、现成Skill个性化改良方法（提示词修改、后处理逻辑增加）、Skill封装

2.实操4：拆解学术全流程Skill与实战：Academic-Research-Skills把学术研究完整流程拆成可独立调用、可串联协作的阶段式工作流

3.课后Skill包：提供10个基础数据处理与模型设定Skill。

专题二：AI Agent经典因果推断方法自动化 

课时1：因果推断实证范式与因果图

1.因果推断实证范式：潜在结果框架（Rubin Causal Model）、反事实定义、分配机制（随机/非随机）

2.因果图（DAG）与因果路径识别：综合运用因果知识嵌入微调语言模型、因果提示词（思维链CoT），让Agent根据文献变量关系自动绘制DAG，推导变量间可能的因果关系

3.AI辅助工具变量选择：依托大模型的文献检索与领域知识，通过叙述推理、角色扮演与反事实推理，系统搜索适配不同经管场景的IV（如历史移民分布、地质特征、政策冲击）

课时2：经典因果推断方法介绍及Skill应用

1.面板数据模型及Skill：固定效应（FE）、随机效应（RE）、Hausman检验；高维固定效应（`reghdfe`）

2.双重差分（DID）及Skill：标准DID、平行趋势检验、安慰剂检验；交错DID的偏误与Goodman-Bacon分解；Callaway-Sant‘Anna异质性处理效应估计量  

3.工具变量（IV）及Skill：2SLS、弱工具检验（F统计量）、过度识别检验（Sargan/Hansen）。 

4.断点回归（RDD）及Skill：精确/模糊断点、带宽选择（MSE最优）、操纵检验（McCrary密度检验）  

5.倾向得分匹配（PSM）及Skill：近邻匹配、核匹配、半径匹配；平衡性检验（标准化偏差）

6.实操5：“DID助手”构建Agent实操：输入Card & Krueger (1994) 数据，Agent自动运行DID、绘制平行趋势图、输出ATE，并进行安慰剂检验

专题三：AI Agent前沿DID方法自动化

课时1：交叠DID的陷阱与稳健估计量

1.交错DID与传统TWFE的识别偏误：交错处理的定义与典型场景；TWFE在异质性效应下的负权重问题与异质性处理效应偏误

2.传统DID偏误的诊断工具Bacon分解：Bacon分解的基本思想；子样本比较类型与权重结构

3.Callaway & Sant’Anna（CS）估计量：CS的识别逻辑；队列划分与动态处理效应；总体平均处理效应的构建

4.Sun & Abraham（SA）方法：适用场景与识别前提；与CS方法的核心区别

5.实操1：三大稳健估计量一键实现。让Agent根据数据自动选择并运行：csdid (Callaway-Sant‘Anna)、did_imputation (插补法)、eventstudyinteract (交互加权法)，并对比三者的组别-时期ATT结果，生成对比图表。

6.文献精读：Agent辅助分析一篇AER交叠DID论文，复现其主要图表。

课时2：群聚-双重差分（Bunching-DID）

1.群聚现象：非线性政策激励（如税率跳点、补贴门槛）引发行为聚束

2.群聚结构估计难题：聚束分析（Bunching）的的视角盲区，双重差分法（DID）的致命干扰

3.Bunching-DID的基本原理与估计方法

4.Bunching-DID的标准化实施流程

门槛处反事实分布拟合（高阶多项式回归）

操纵区间（Manipulation Window）的客观划定

操纵区间内的ITT效应评估

非操纵区间内的DID无偏估计（核心回归）

安慰剂检验与带宽稳健性

参考文献：

[1]蔡宏波,汤城建,毛健.减税激励与企业异质性创新[J].经济研究,2025,60(02):107-123.

[2]孟元,杨蓉.大数据时代的政府治理：数字政府与企业研发操纵[J].世界经济, 2024, 47(1): 118-149

5.实操2：基于Agent的群聚DID识别估计

专题四：机器学习因果推断与LLM增强

课时1：双重机器学习（DDML）与因果森林

1.理论：双重机器学习DML基本框架及优势（高维数据下的变量选择与估计；非线性关系建模；缓解机器学习估计中存在的“正则偏误”）。DDML的Neyman正交化与交叉拟合原理

2.异质性处理效应（CATE）与因果森林

3.实操1：DDML案例复现。复刻《数量经济技术经济研究》论文“网络基础设施、包容性绿色增长与地区差距”，Agent自动运行DDML模型，输出ATE

4.实操2：因果森林异质性处理效应 (CATE) 分析。使用EconML的CausalForestDML，Agent自动寻找高响应群体，并绘制分群效应图

课时2：LLM增强反事实推理与多智能体辩论

1.LLM增强倾向得分匹配：大模型自动筛选最优协变量、选择适配的核函数（高斯核、Epanechnikov核）、调整带宽参数，解决传统PSM"调参难、精度低"的问题，适配中小样本经管RCT数据（如50-200个样本）

2.LLM增强合成控制法（SCM）：给定一个样本量<50的县域政策评估数据，让Agent调用LLM生成“合成虚拟组”作为对照，解决稀缺样本问题

3.反事实多智能体辩论：搭建“支持者 vs 质疑者”两个Agent，对一个DID结果进行辩论。质疑者提出遗漏变量，Agent自动运行Cinelli-Hazlett敏感性分析，输出鲁棒性阈值

专题五：Agent和LLM经管实证变量测度

课时1：Agent大语言模型赋能网络数据搜集

1.AI Agent驱动的“数据田野调查”——自动化采集与多源融合

2.Agent通过Deep Research on a Loop方法，保证数据搜集质量和可重复性

参考文献： Afonso, S., Galiani, S., Gálvez, R. H., & Sosa, R. A. (2026). Deep research on a loop: Using AI agents to construct economic datasets. NBER Working Paper No. 35188

3.数据搜集案例

（1）实操案例1：Agent自动整理网页数据

（2）实操案例2：Agent自动从全网搜集地级市人工智能创新发展试验区试点信息并构建DID，同事与人工搜集数据进行比对

课时2：Agent大语言模型赋能多模态数据分析

1.Agent大模型分析pdf数据

实操案例3：通过Agent自动从上市公司年报表格提取主要产品名称、年报核心竞争力板块信息

参考文献：戚聿东,孙昌玲,王化成.企业核心竞争力能够降低权益资本成本吗——基于文本分析的经验证据[J].会计研究,2021,(08):94-106.

2.Agent大模型分析文本数据

实操案例4：大语言模型构建实证变量，利用模型从MD&A文本中构建制造业服务化变量

核心方法参考文献：Yimeng, N., Jing, W., Shenyang, J., & Zhibin, J. (2024). The Bullwhip Effect in Servitized Manufacturers. Management Science, 71(1):1-20.03402.

3.Agent大模型自动分析图片数据

实操案例5：大语言模型从图片中提取结构化数据，大语言模型识别CEO面部表情

核心方法参考文献：Momtaz P P. CEO emotions and firm valuation in initial coin offerings: an artificial emotional intelligence approach[J]. Strategic Management Journal, 2021, 42(3): 558-578.

专题六：实证论文全流程自动化与顶刊复现系统

课时1：顶刊复现流程与专业Agent团队配置

1.复现的价值与资源（EJD, Harvard Dataverse）

2.Claude Code复现的6阶段流程：论文摄入、数据审核、代码翻译、结果验证、差异文档化、报告生成

3.配置你的复现Agent团队：领域审稿人、代码审查员、对抗性质疑智能体。设定质量控制容差阈值（系数±0.01，标准误±0.05，p值显著性一致）。

4.实操1：完整复现一篇AER论文。以“The Effect of Pollution on Worker Productivity”为例。

阶段1-2：提示词设计，让Claude Code克隆仓库、安装环境、生成复现计划

阶段3-4：Agent自动运行代码，对比原始结果，生成复现报告，包含差异表（系数、标准误、样本量）、差异解释（因版本或聚类方式不同）

课时2：从自动写作到个人智能体搭建

1.基于Claude Code和AutoGen，搭建一个简易版HLER系统原型，包含：选题→文献综述→数据获取→因果估计→自动写作→模拟审稿流程六大模块

2.赠送百个Skill库：发布并讲解《科研全流程AI Agent Skill宝典》，内含100+经过验证的元认知提示词和Agent配置，覆盖从清洗到写作的方方面面

3.课程总结与未来展望：如何持续迭代你的智能体，探索AI for Science的前沿

课程价格

价格：早鸟价1599元（原价：1999）