DID专题课-4天  

本课程为 2026 国庆全新升级迭代版，在传统 DID 课程基础上深度融合Claude Code+Trae IDE+Stata MCP AI 智能体工作流，完整覆盖从基础传统 DID 到前沿交叠 DID 全方法体系，

4天搭建一套可直接复用、适配顶刊投稿的标准化 DID 实证 Workflow。

课程介绍

课程亮点：

亮点1：AI Agent赋能DID研究全流程，打造“从选题到论文”的实证Workflow

✅ 文献检索与研究问题定位

✅ 数据读取、清洗与变量构造

✅ DID模型设计与识别策略选择

✅ Stata代码自动生成与解释

✅ 基准回归、平行趋势、安慰剂、异质性分析自动化

✅ 回归结果解读与论文表达优化

亮点2：复刻顶刊论文，真正掌握DID实证研究Workflow

• 《中国工业经济》DID论文复现
• 《数量经济技术经济研究》交叠DID论文复现

亮点3：系统掌握DID最新前沿——交叠DID（Staggered DID）

• 异质性处理效应偏误
• 负权重问题
• 错误比较组问题

✅ De Chaisemartin & D’Haultfoeuille估计量

✅ Sun-Abraham估计量

✅ Callaway-Sant’Anna估计量

✅ Borusyak-Jaravel-Spiess插补法

✅ 堆叠DID

✅ 局部投影DID

✅ 合成DID

亮点4：AI自动化实现复杂检验，降低DID研究门槛

• 平行趋势检验
• Bacon分解
• 负权重检验
• 安慰剂检验
• 异质性分析
• 动态效应分析

亮点5：从“会跑代码”升级到“会做研究”

• 为什么选择DID？
• 如何构造处理组和控制组？
• 如何判断识别策略是否可信？
• 如何选择适合自己的DID估计量？
• 如何解释结果并形成论文语言？

课程目标：

1. 掌握DID完整研究框架

理解：

• DID因果识别逻辑
• 平行趋势假设
• 政策评估设计
• 不同DID模型适用场景

2. 独立完成DID实证分析

✅ 数据处理与面板构造

✅ DID模型估计

✅ 平行趋势检验

✅ 安慰剂检验

✅ 稳健性分析

✅ 异质性分析

✅ 结果可视化

3. 掌握交叠DID最新方法

• 是否适合传统TWFE-DID
• 是否存在负权重问题
• 应选择哪类稳健估计量

4. 建立AI辅助科研Workflow

• 如何让AI生成和解释Stata代码
• 如何构建DID研究专用Skill
• 如何利用AI完成重复性分析任务
• 如何提升论文研究效率

课程内容：

两天：传统DID+多期DID+DID模型扩展+空间DID，含8篇范例论文解析+1篇论文复刻

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

2.3AI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.

两天：交叠DID 2026国庆升级版，含13篇范例论文解析+1篇论文复刻

模块1：AI Agent 全流程复刻一篇《数量经济技术经济研究》交叠 DID 论文 2026国庆new

1.1 选题与文献定位：交叠政策冲击识别与数据准备

1.2 数据清洗与面板处理：多期多时点处理变量构造

1.3 交叠 DID 识别策略与估计量选择

1.4 异质性稳健估计量自动化：dCDH / Sun-Abraham /Callaway-Sant'Anna / Plug-in / 堆叠 / 插补

1.5 诊断检验自动化：Bacon 分解、负权重检验、事件研究法、Pre-trends 敏感性分析

1.6  论文撰写与结果可视化：多估计量结果对比表、动态效应图

1.7  示例范文：

① 贾洋、汤旭东、刘诗源：《退出制度完善与小微企业创新——来自个人破产试点的证据》，《数量经济技术经济研究》2026年第6期（堆叠/CSDID 异质性稳健估计量）

模块2：交叠DID最新应用的系统梳理

2.1  交叠DID应用在顶刊的统计分析

2.2  中文期刊交叠DID的两种主流趋势

2.3  异质性处理效应的TWFE估计偏误的来源

2.3.1 禁止性比较组

2.3.2 负权重问题

2.3.3 协变量问题

2.3.4 非平行趋势

2.4 AI赋能：交叠DID识别与图示法的自动化实现

2.4.1 交叠DID识别

2.4.2 交叠DID图示法

2.5  交叠DID研究的实用建议

2.5.1 如何在多期与处理时间变化时，选择合适的DID估计量？

2.5.2 如何处理非平行趋势的情况？

2.5.3 交叠DID各种估计方法应用建议

2.6 重要文献解读2篇：

② De Chaisemartin C, D'Haultfoeuille X. Two-way fixed effects and differences-in-differences with heterogeneous treatment effects: A survey[R].National Bureau of Economic Research, 2022.

③ 刘冲,沙学康,张妍.交错双重差分:处理效应异质性与估计方法选择.数量经济技术经济研究, 2023.

模块3：交叠DID检验

3.1 AI赋能：Bacon分解的自动化实现与图形解析

3.1.1 Bacon分解的图形解析

3.1.2 Bacon分解Stata官方命令与社区命令结果比较与解读

3.2.3 Bacon分解的中文应用

3.2 处理组的负权重检验

3.2.1 负权重检验统计量直观解释

3.2.2 负权重检验Stata命令实现

3.3 非平行趋势检验

3.3.1 事件研究法平行趋势检验效力

3.3.2 如何正确理解新事件研究法的平行趋势检验图

3.3.3 Pre-trends检验

3.4 重要文献解读2篇：

④ Goodman-Bacon, Andrew, Difference-in-differences with variation intreatment timing, Journal of Econometrics, 2021.

⑤ Roth J, Sant’Anna P H C, Bilinski A, etal.What’s trending in difference-in-differences? Asynthesis of the recent econometrics literature, Journal of Econometrics, 2023.

模块4：组别-时期平均处理效应估计量

4.1 AI赋能：dcdH估计量的自动化实现与应用

4.1.1 DeChaisemartin和 d'Haultfœuille(2020) 估计量的理论简析

4.1.2 dcdH估计量扩展到多个处理事件和多期

4.1.3 dcdH估计量的Stata实现

4.1.4 dcdH估计量的应用

4.2 AI赋能：SA估计量的自动化实现与应用

4.2.1 Sun和 Abraham(2021) 估计量的理论简析

4.2.2 SA估计量的Stata实现

4.2.3 SA估计量的应用

4.3 AI赋能：CS估计量的自动化实现与应用

4.3.1 Callaway和 Sant’Anna(2021) 估计量的理论简析

4.3.2 CS估计量的Stata官方命令与社区命令实现

4.3.3 CS估计量的应用

4.4 AI赋能：Plug-in估计量的自动化实现与应用

4.4.1 Roth和Sant’Anna(2023) 估计量的理论简析

4.4.2 staggered社区命令实现

4.4.3 Plug-in估计量的应用

4.5 重要文献解读3篇：

⑥ De Chaisemartin C, d'Haultfoeuille X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review,2020.

⑦ Sun L, Abraham S. Estimating dynamic treatment effects in event  studies with heterogeneous treatment effects[J]. Journal of Econometrics, 2021.

⑧ Callaway B, Sant’Anna P H C.Difference-in-differences with multiple time periods[J]. Journal of Econometrics, 2021.

模块5：基于TWFE改进的新估计量

5.1 AI赋能：异质性稳健TWFE的交叠DID新命令的自动化实现

5.2 重要文献解读1篇：

⑨ Wooldridge J M. Two-way fixed effects, the two-way Mundlak regression, and difference-in-differences estimators[J].Available at SSRN3906345, 2021.

模块6：基于插补方法的估计量

6.1 AI赋能：Imputation估计量的自动化实现与应用

6.2 两阶段DID估计量

6.3 重要文献解读2篇：

⑩ Borusyak K, Jaravel X, Spiess J. Revisiting event study designs: Robust and efficient estimation[J]. Review of Economic Studies, 2024,Forthcoming.

⑪ Braghieri L, Levy R, Makarin A. Social media and mental health[J].American Economic Review, 2022.

模块7：堆叠与局部投影估计量

7.1AI赋能：堆叠估计量的自动化实现与应用

7.2 AI赋能：局部投影估计量的自动化实现与应用

7.3 重要文献解读2篇：

⑫ Cengiz D,Dube A, Lindner A, et al. The effect of minimum wages on low-wage jobs. The Quarterly Journal of Economics, 2019.

⑬Dube, A., D. Girardi, Ò. Jordà and A. M.Taylor. A Local Projections Approach to Difference-in-Differences Event Studies. NBER Working Paper 31184, 2023.

模块8：DID与合成控制的结合：合成DID

8.1 合成DID的原理与应用领域

8.2 AI赋能：合成DID的命令实现与自动化分析

8.3 重要文献解读1篇：

⑭ Arkhangelsky D, Athey S, Hirshberg D A, et al.Synthetic difference-in-differences[J]. American Economic Review, 2021.

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