DID专题课-2天

区别于传统DID课程只讲模型原理与Stata命令，本课程引入AI Agent工作流，让AI参与科研全过程，

课程内容覆盖传统DID、多期DID、空间DID、PSM-DID，并通过 Claude Code + Stata MCP + Trae IDE + 专业Skill实现自动化分析。

课程目标：

从 AI Agent 极速上手，到全流程复刻一篇《中国工业经济》DID 论文，系统覆盖传统 DID、多期 DID、PSM-DID、空间 DID 及模型扩展：

1. 构建个人 AI-DID 研究智能体

• 独立完成 Claude Code + Stata MCP + Trae IDE 的深度配置

• 设计并封装 3-5 个专属 DID Stata Skills，实现代码生成、结果提取、图形绘制的自动化

• 运用 Rules 与 Hook 建立项目级研究规范，确保实证过程可复现、可迁移

2. 建立完整的 DID 方法体系

• 精通传统 DID、多期 DID、PSM-DID、空间 DID 的理论内核与 Stata 实现

• 精准识别政策评估中的反事实谬误，独立完成平行趋势、安慰剂、稳健性检验

课程内容：

模块0：AI Agent + Claude Code 极速上手 2026国庆new

0.1 为什么用 AI Agent 做 DID 研究？

0.2 Claude Code 工作区、对话流与代码执行

0.3 核心概念地图：Skill · Agent · MCP · Rules · Hook

1) Skill：可复用的能力单元，如00.2-Full-empirical-analysis-skill_Stata、StatsPAI、aer-replication

2) Agent：能自主规划、调用工具、执行多步骤任务的智能体

3) MCP：Model ContextProtocol，让 Claude Code 直接驱动 Stata、数据库、浏览器等外部工具

4) Rules：项目级规范文件（如 CLAUDE.md），统一变量命名、表格模板、代码风格

5) Hook：自动化触发器，可在保存、提交、运行前自动执行稳健性检验或备份

0.4 本课程工具链：Claude Code + Stata MCP + TraeIDE + 因果推断 skill

0.5 Stata 介入大模型 agent：Stata MCP + Trae IDE 配置

0.6 利用 Claude 直接写出 DID 模型的 Stata 代码

0.7 AI 实时解释代码逻辑，秒懂复杂统计模型

0.8 构建专门应用于 DID 研究的 Stata skills，提升效率

0.9 Vibe Regging：免费使用 Trae + Stata MCP + Skills 实现全自动 DID 实证

模块1：AI Agent 全流程复刻一篇《中国工业经济》DID 论文 2026国庆new

1.1 选题与文献定位：用 deep-research /literature-review-skill 扫描政策与数据可得性

1.2 数据获取与清洗：AI 自动读取、变量命名规范化、面板设定与平衡性检查

1.3 识别策略设计：处理变量构造、对照组选取、平行趋势假设

1.4 实证自动化：Table 1 / 基准回归 / 平行趋势 / 安慰剂 / 稳健性（00.2-Full-empirical-analysis-skill_Stata/ StatsPAI）

1.5 机制与异质性自动化：中介/调节、分组检验、可视化

1.6 论文初稿生成：结果解读、引言/机制/结论段落（academic-paper /copaper-ai-chinese-de-aigc）

1.7 示例范文:

① 亓寿伟、陈雅婷、马光荣等：《育活力于秩序：行政执法规范与中小企业跨地区流入》，《中国工业经济》2025年第8期

模块2：传统DID

2.1 课程导言

2.1.1 政策评估主流方法

2.1.2 国内顶刊DID刊文情况与模型类型梳理

2.1.3 建立因果关系

2.1.4 DID政策评估，如何识别两种错误的反事实

2.2 模型构建

2.2.1 政策效果不随时间而变

2.2.2 政策效果随时间变动

2.3 AI赋能：Stata实现与自动化分析

2.3.1 DID数据生成与处理

2.3.2 基于DID基本原理的Stata实现

2.3.3 两种政策效果比较

2.3.4 九种传统DID命令与Stata19官方新命令估计结果分析

模块3：多期DID（渐进DID）

3.1 多期DID政策效应的动态图形展示

3.1.1 Beck_Levine(2010)经典图形展示

3.1.2 AI赋能：coefplot命令动态图形展示与自动化生成

3.2 多期DID平行趋势检验图形实现

3.2.1 图示法

3.2.2 系数检验法

3.3 AI赋能：安慰剂检验的自动化实现

3.3.1 政策实施时间前置的安慰剂检验

3.3.2 处理组随机化处理的安慰剂检验

3.3.3 时空随机化的安慰剂检验

3.4 队列DID

3.5 三重差分模型（DDD）

3.6 例文精读3篇：

② 曹清峰.国家级新区对区域经济增长的带动效应——基于70大中城市的经验证据.中国工业经济,2020(07)

③ 任胜钢等.排污权交易机制是否提高了企业全要素生产率——来自中国上市公司的证据.中国工业经济,2019(05)

④ Beck, T., Levine, R. & Levkov, A. (2010). Big Bad Banks? TheWinners and Losers from Bank Deregulation in the United States. The Journal of Finance,65(5), pp. 1637-1667

模块4：DID模型扩展

4.1 AI赋能：PSM-DID的自动化实现与优化

4.1.1 PSM估计的三种程序实现

4.1.2 共同支持检验（common support）

4.1.3 多期面板数据PSM-DID的Stata实现

4.1.4 例文精读1篇：

⑤ 孙晓华等. “营改增”促进了制造业与服务业融合发展吗.中国工业经济,2019(08)

4.2 时变处理时间与持续期的灵活面板DID因果分析

4.3 AI赋能：异质性处理效应的自动化估计与模糊DID应用

4.3.1 模糊DID（Fuzzy DID）估计量与Stata实现

4.3.2 异质性处理效应时，双向固定效应估计还稳健吗？

4.3.3 异质性处理效应存在时的解决方法：模糊DID

4.3.4 例文精读1篇：

⑥ Chaisemartin, Clément de, and XavierD’Haultfoeuille. “Two-Way Fixed Effects Estimators with Heterogeneous Treatment Effects.” American Economic Review 110, no. 9 (September 2020):2964–96.

模块5：空间DID

5.1 忽略空间因素的DID结果可靠吗？

5.2 空间DID模型构建

5.3 政策评估的空间效应分解

5.4 存在溢出处理效应时的稳健DID估计

5.5 例文精读3篇：

⑦ 排污权交易、二氧化硫排放与经济高质量增长——基于空间双重差分模型

⑧ Chagas, André L.S, Azzoni C R , Almeida A N. Aspatial difference-in-differences analysis of the impact of sugarcane production on respiratory diseases. Regional Science and Urban Economics, 2016.

⑨ Clarke D. Estimating difference-in-differences in the presence of spillovers[J]. 2017.

优惠：

• 学术培训老学员9折优惠

在线咨询：

尹老师

电话：13321178792

QQ：42884447

WeChat：JGxueshu