企业官网建设流程全解析

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-Skills

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（Skill），Agent 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

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 add+claude 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.md）：

Run 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–Sant'Anna 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：

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（Skill），Agent 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

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 add+claude 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.md）：

Run 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–Sant'Anna 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：

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