airmosaic-ai

设计计量分析

English

中文

先阅读计量方法，记录目标总体、观察单位、结果、暴露或处理、时间范围与目标估计量。区分描述、预测、因果推断与结构估计。对于因果问题，先说明混杂路径和识别变化来源，再选方法。此处 OLS 脚本给出条件相关；只有额外的研究设计才能支持更强解释。

选择操作路线

• 简单横截面相关分析：在核对变量单位、样本构建和数据支持后，给 scripts/run_ols.py 明确指定结果变量及自变量。脚本含截距，输出经典与 HC1 标准误、拟合值和诊断。这两种标准误都假设观察独立；聚类、面板或时间序列数据需另选实现。
• 政策效应等因果目标：先写出处理分配、比较组、时序、干扰和识别假设；研究设计成立后再选择经过审阅的 DiD、IV、RDD、面板等实现。本技能不包含这些估计器，也不自动给出因果结论。
• 预测：明确留出验证设计和信息泄漏控制，转用预测工作流。结构分析：明确行为机制、校准或估计目标及反事实，使用适合的模型实现。

运行小型 OLS 演示

CSV 每行需有非空且唯一的 unit_id、数值型结果及数值型自变量；缺失和非有限数值会停止。表头重复、样本不足、设计矩阵缺秩或严重病态、结果无变化也会停止。清单中的 toy CSV 使用 unit_id,y,x1,x2。在仓库根目录运行，须已安装 NumPy，将 AIRMOSAIC_ASSETS_DIR 设为已有的仓库外资产根，并选择尚不存在的输出目录：

$out = Join-Path $env:AIRMOSAIC_ASSETS_DIR 'results/ols-toy-example-v1'
python skills/model/01_socioeconomic_natural_change/econometric-analysis/scripts/run_ols.py --input assets/data/01_socioeconomic_natural_change/SyntheticEconometrics/v1/rows.csv --outcome y --predictors x1 x2 --out-dir $out

检查 coefficients.csv、fitted.csv、summary.json 中的输入 SHA256 和标准误适用范围，并与 toy-manifest.json核对。合成数据设计的截距约为 2，x1 斜率约为 3，x2 斜率约为 1；这些都不是科学参数。输出目录以排他方式创建，再运行需换新路径。研究数据须获当前任务授权，结果存于仓库外，并留下样本和变量来源；识别与推断还需依具体方法审查。脚本为直接辅助工具，没有 run-tool ID 或自动注册。

公开技能参照

本流程借鉴公开的 EconAgentSkills中先识别再选估计器、分离数据规范与复现步骤的组织方式，以及 econometrics-skill对结果、处理、混杂和识别变化的检查顺序；没有搬入它们的估计器库。将外部技能用于研究数据前应审查其实现和默认设置。fixest是部分面板估计的官方实现选择。

This site is open source. Improve this page.