如何用Auto-Empirical-Research-Skills在10分钟跑通第一篇DID论文？新手快速上手教程

如何用Auto-Empirical-Research-Skills在10分钟跑通第一篇DID论文新手快速上手教程【免费下载链接】Auto-Empirical-Research-Skills A curated collection of 23,000 agent skills for empirical research across 8 social science disciplines. | 精选 23,000 AI Agent 技能库覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-SkillsAuto-Empirical-Research-Skills简称 AERS是一个精选了 23,000 AI Agent 技能的开源技能库覆盖 8 大社会科学学科。对刚接触实证研究的新手来说它最大的价值是你只需要用一句自然语言Agent 就能自动调用 DID双重差分、事件研究、稳健性检验等技能帮你跑通一篇规范实证论文的完整流水线——从数据清洗、平行趋势检验到可发表级别的表格和图形约 10 分钟出结果。本教程带你走完「安装技能 → 下达任务 → 看懂产出 → 验证结果」四步全程无需手写一行计量代码。一、AERS 是什么把跑论文变成一句话的事传统跑一篇 DID 论文你要手动经历清洗数据 → 构造变量 → 描述性统计 → 基准回归 → 事件研究图 → 稳健性检验 → 排版表格每一步都要查文档、调参数。AERS 把这些步骤封装成了Agent 技能SkillAgent 读到你的需求后自动挑技能、选方法、跑估计、出图表。它内置了覆盖 DID / IV / RDD / 合成控制 / DML 等方法的因果推断模型图谱DID 和事件研究位于准实验识别策略的核心位置项目由 Stanford REAP × CoPaper.AI 维护全部技能经过安全审计每个技能的行为都有基准测试benchmark钉死不是营销口径。二、开始前准备三样东西准备项说明Python 3用于跑仓库内置的验证脚本无需额外依赖一个支持技能的 Agent如 Claude Code或其他支持 skill 的 AI 编码助手一份面板数据CSV 格式即可单位 ID、年份、政策时间、结果变量如果你的数据还在路上可以直接用仓库自带的演示数据练手——demo-notebooks/里有 LaLonde、Card–Krueger最低工资 DID等经典数据集的完整复现案例。三、第一步约1分钟把技能装进 Agent最省事的方式把项目地址直接丢给 Agent告诉它装到哪个作用域当前目录 / 项目 / 全局它会自己完成安装。想手动操作推荐这两条路详细步骤见 INSTALL.md插件市场安装推荐可升级一条claude plugin marketplace addclaude plugin install把 DID 流水线技能包导入你的 Agent直接拷文件夹把 skills/00.1-Full-empirical-analysis-skill_Python/ 这类旗舰技能文件夹拷到.claude/skills/文件夹自带SKILL.md即可被识别。新手建议只装一个Python 全流水线旗舰技能pandas statsmodels linearmodels pyfixest 栈。它自带 8 步流水线脚手架——数据清洗、变量构造、Table 1、诊断检验、基准建模、稳健性、机制/异质性、出版级图表正好是一篇 DID 论文需要的全部部件。四、第二步约1分钟用一句话下达第一个 DID 任务新开一个会话直接粘贴仓库黄金工作流里的 DID 提示词完整版见 docs/GOLDEN_WORKFLOWS.mdRun a full DID empirical pipeline on this project. Start with the data contract and sample-construction log, then produce Table 1, parallel-trends/ event-study evidence, main DID estimates, modern staggered-DID alternatives if treatment timing varies, placebo checks, heterogeneity, and publication-ready tables and figures.这段话翻译成中文就是跑完整 DID 流水线先写数据契约和样本构造日志再出 Table 1、平行趋势/事件研究证据、主回归结果如果政策实施时间有先后用现代交错 DID 方法最后做安慰剂检验、异质性分析产出可发表的表格和图形。 不会英语也没关系——技能描述是双语可理解的你用中文说同样的要求Agent 会按description自动挑对技能。五、第三步约5分钟看流水线给你产出了什么Agent 跑完后你会得到一个复现就绪的输出文件夹核心产物有四个1️⃣ 事件研究图Event Study——DID 论文的命根子政策前的系数应该围绕零轴波动平行趋势成立政策后才有明显抬升。这是 Python 流水线在真实数据上跑出的实际效果2️⃣ 主结果系数图M1→M6 渐进控制——从只有处理变量到逐步加入控制变量、固定效应系数是否稳定一眼看穿结果是否靠某个设定硬撑3️⃣ 规格曲线Specification Curve——把几十种合理设定下的估计值画在一张图上是审稿人最爱的防挑刺证据4️⃣ 出版级三栏表格 复现包——Table 1 描述性统计、主回归表M1→M6 三栏格式、稳健性表均为 LaTeX / Word / Excel 多格式配合coefplot、binscatter 等期刊级图形可直接进论文。六、第四步约3分钟像审稿人一样验证结果新手最容易犯的错是跑出显著就放心。AERS 教你的第一件事是先怀疑自己的结果警惕交错 DID 陷阱。如果你的政策是分批次推行的有的地区 2018 年、有的 2020 年实施朴素的双向固定效应TWFE回归会被已处理组当未处理组对照污染估计值可能偏离真实效应近一半。AERS 内置的基准任务benchmark/tasks/did-staggered-recovery.toml正是教 Agent 这一课真实 ATT 为 2.909 时TWFE 只给出 1.455而 Callaway–SantAnna 类分组-时间估计量能精确还原真值。任务要求流水线必须把 TWFE 当诊断、把稳健估计当主结果且所有数字由检查器每次从数据重算无法靠编个好看的数蒙混过关。跑一遍本地验证。仓库自带无依赖检查脚本make check一条命令即可复现全部基准分数详见 benchmark/README.md 与 docs/GETTING_STARTED.md。你也可以用aers-score见 aers_score/给自己的 Agent 打分看看它在这套卷子上能得多少分。七、关键文件地图跑通第一篇之后这几份资料值得收藏资料路径用途10 分钟上手指南docs/GETTING_STARTED.md → 正确写法见左验证 首跑流程黄金提示词库docs/GOLDEN_WORKFLOWS.md直接粘贴的现成工作流安装说明INSTALL.md各运行时/作用域安装方式Python 旗舰技能skills/00.1-Full-empirical-analysis-skill_Python/SKILL.md8 步流水线 完整参考文档DID 基准任务benchmark/tasks/did-staggered-recovery.toml交错 DID 陷阱的量化教学端到端演示输出demo-notebooks/真实数据集的完整运行产物八、写在最后这篇教程只走了 AERS 能力版图的很小一块。跑通第一篇 DID 之后你可以顺着 9 阶段流水线继续往前推文献综述、数据获取、稳健性审计Honest-DiD、写作与降 AIGC、投稿预检——每个阶段都有对应技能任何一步都可以人工接过去手动改改完再让流水线自动接上。记住项目的核心信条AI 是放大器不是替代品。它替你搬最重的砖你保留最核心的判断。10 分钟跑通第一篇 DID你省下的不是写代码的时间而是用来思考识别假设是否成立的时间。 /输出文章等等上面关键文件地图表格里有一个笔误需要修正以下是修正后的完整文章输出文章如何用Auto-Empirical-Research-Skills在10分钟跑通第一篇DID论文新手快速上手教程Auto-Empirical-Research-Skills简称 AERS是一个精选了 23,000 AI Agent 技能的开源技能库覆盖 8 大社会科学学科。对刚接触实证研究的新手来说它最大的价值是你只需要用一句自然语言Agent 就能自动调用 DID双重差分、事件研究、稳健性检验等技能帮你跑通一篇规范实证论文的完整流水线——从数据清洗、平行趋势检验到可发表级别的表格和图形约 10 分钟出结果。本教程带你走完「安装技能 → 下达任务 → 看懂产出 → 验证结果」四步全程无需手写一行计量代码。一、AERS 是什么把跑论文变成一句话的事传统跑一篇 DID 论文你要手动经历清洗数据 → 构造变量 → 描述性统计 → 基准回归 → 事件研究图 → 稳健性检验 → 排版表格每一步都要查文档、调参数。AERS 把这些步骤封装成了Agent 技能SkillAgent 读到你的需求后自动挑技能、选方法、跑估计、出图表。它内置了覆盖 DID / IV / RDD / 合成控制 / DML 等方法的因果推断模型图谱DID 和事件研究位于准实验识别策略的核心位置项目由 Stanford REAP × CoPaper.AI 维护全部技能经过安全审计每个技能的行为都有基准测试benchmark钉死不是营销口径。二、开始前准备三样东西准备项说明Python 3用于跑仓库内置的验证脚本无需额外依赖一个支持技能的 Agent如 Claude Code或其他支持 skill 的 AI 编码助手一份面板数据CSV 格式即可单位 ID、年份、政策时间、结果变量如果你的数据还在路上可以直接用仓库自带的演示数据练手——demo-notebooks/里有 LaLonde、Card–Krueger最低工资 DID等经典数据集的完整复现案例。三、第一步约1分钟把技能装进 Agent最省事的方式把项目地址直接丢给 Agent告诉它装到哪个作用域当前目录 / 项目 / 全局它会自己完成安装。想手动操作推荐这两条路详细步骤见 INSTALL.md插件市场安装推荐可升级一条claude plugin marketplace addclaude plugin install把 DID 流水线技能包导入你的 Agent直接拷文件夹把 skills/00.1-Full-empirical-analysis-skill_Python/ 这类旗舰技能文件夹拷到.claude/skills/文件夹自带SKILL.md即可被识别。新手建议只装一个Python 全流水线旗舰技能pandas statsmodels linearmodels pyfixest 栈。它自带 8 步流水线脚手架——数据清洗、变量构造、Table 1、诊断检验、基准建模、稳健性、机制/异质性、出版级图表正好是一篇 DID 论文需要的全部部件。四、第二步约1分钟用一句话下达第一个 DID 任务新开一个会话直接粘贴仓库黄金工作流里的 DID 提示词完整版见 docs/GOLDEN_WORKFLOWS.mdRun a full DID empirical pipeline on this project. Start with the data contract and sample-construction log, then produce Table 1, parallel-trends/ event-study evidence, main DID estimates, modern staggered-DID alternatives if treatment timing varies, placebo checks, heterogeneity, and publication-ready tables and figures.这段话翻译成中文就是跑完整 DID 流水线先写数据契约和样本构造日志再出 Table 1、平行趋势/事件研究证据、主回归结果如果政策实施时间有先后用现代交错 DID 方法最后做安慰剂检验、异质性分析产出可发表的表格和图形。 不会英语也没关系——你用中文说同样的要求Agent 会按技能的description自动挑对技能。五、第三步约5分钟看流水线给你产出了什么Agent 跑完后你会得到一个复现就绪的输出文件夹核心产物有四个1️⃣ 事件研究图Event Study——DID 论文的命根子政策前的系数应该围绕零轴波动平行趋势成立政策后才有明显抬升。这是 Python 流水线在真实数据上跑出的实际效果2️⃣ 主结果系数图M1→M6 渐进控制——从只有处理变量到逐步加入控制变量、固定效应系数是否稳定一眼看穿结果是否靠某个设定硬撑3️⃣ 规格曲线Specification Curve——把几十种合理设定下的估计值画在一张图上是审稿人最爱的防挑刺证据4️⃣ 出版级三栏表格 复现包——Table 1 描述性统计、主回归表M1→M6 三栏格式、稳健性表均为 LaTeX / Word / Excel 多格式配合 coefplot、binscatter 等期刊级图形可直接进论文。六、第四步约3分钟像审稿人一样验证结果新手最容易犯的错是跑出显著就放心。AERS 教你的第一件事是先怀疑自己的结果警惕交错 DID 陷阱。如果你的政策是分批次推行的有的地区 2018 年、有的 2020 年实施朴素的双向固定效应TWFE回归会被已处理组当未处理组对照污染估计值可能偏离真实效应近一半。AERS 内置的基准任务benchmark/tasks/did-staggered-recovery.toml正是教 Agent 这一课真实 ATT 为 2.909 时TWFE 只给出 1.455而 Callaway–SantAnna 类分组-时间估计量能精确还原真值。任务要求流水线必须把 TWFE 当诊断、把稳健估计当主结果且所有数字由检查器每次从数据重算无法靠编个好看的数蒙混过关。跑一遍本地验证。仓库自带无依赖检查脚本make check一条命令即可复现全部基准分数详见 benchmark/README.md 与 docs/GETTING_STARTED.md。你也可以用aers-score见 aers_score/给自己的 Agent 打分看看它在这套卷子上能得多少分。七、关键文件地图跑通第一篇之后这几份资料值得收藏资料路径用途10 分钟上手指南docs/GETTING_STARTED.md本地验证 首跑流程黄金提示词库docs/GOLDEN_WORKFLOWS.md直接粘贴的现成 DID/IV/RD 工作流安装说明INSTALL.md各运行时、各作用域安装方式Python 旗舰技能skills/00.1-Full-empirical-analysis-skill_Python/SKILL.md8 步流水线 完整参考文档DID 基准任务benchmark/tasks/did-staggered-recovery.toml交错 DID 陷阱的量化教学端到端演示输出demo-notebooks/真实数据集的完整运行产物八、写在最后这篇教程只走了 AERS 能力版图的很小一块。跑通第一篇 DID 之后你可以顺着 9 阶段流水线继续往前推文献综述、数据获取、稳健性审计Honest-DiD、写作与降 AIGC、投稿预检——每个阶段都有对应技能任何一步都可以人工接过去手动改改完再让流水线自动接上。记住项目的核心信条AI 是放大器不是替代品。它替你搬最重的砖你保留最核心的判断。10 分钟跑通第一篇 DID你省下的不是写代码的时间而是用来思考识别假设是否成立的时间。【免费下载链接】Auto-Empirical-Research-Skills A curated collection of 23,000 agent skills for empirical research across 8 social science disciplines. | 精选 23,000 AI Agent 技能库覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考