DID专题课-4天  

AI助力：传统DID+多期DID+DID模型扩展+空间DID+交叠DID

2026 new：我们不再满足于"学会软件操作"，而是构建专属DID研究智能体

【破局：不是替代，而是进化】

2026年，崔百胜老师全面升级课程体系——这不是简单的"AI工具介绍课"，而是一场DID研究范式的效率革命。

我们不再满足于"学会软件操作"，而是构建专属DID研究智能体：

• Trae IDE + Stata MCP深度配置：让大模型真正读懂你的数据结构

• 自定义Skills构建：把重复性代码工作封装成"一键指令"

• Vibe Regging工作流：从数据清洗到结果输出，全程AI协同

这不是未来，这是正在发生的现在。

【手把手构建你的AI研究智能体】

课程第一天，我们将安排专门时段，深入讲授并实操配置以Trae为核心的全新AI研究环境。这绝非简单的软件教学，而是一次研究范式的导入：

1. 环境搭建与深度整合：我们将从零开始，详细演示如何配置Trae IDE与Stata MCP，实现大语言模型与Stata统计软件的深度、无缝连接。这为后续所有自动化分析奠定技术基础。

2. 从“用工具”到“建智能”：紧接着，课程将引导学员超越基础操作，学习如何设计与构建专门服务于DID研究的AI智能体（Agent）。这个智能体将能理解您的研究设计意图。

3. 定制化技能（Skills）开发：我们将重点讲授如何为您的AI智能体构建并赋予专用的Stata skills。这些Skills如同智能体的“武器库”，使其能够自动完成从基础DID模型估计、平行趋势检验图形（如coefplot）生成、安慰剂检验（包括时间前置、组别随机化等），到前沿的Bacon分解、交叠DID多种稳健估计量（如dcdH, CS, SA, Imputation, 堆叠估计量等）的实现与结果提取等一系列复杂任务。课程资料中提及的“Vibe Regging：全自动DID实证”愿景，将在此变为可操作的实践。

【课程全景：4天构建AI-DID完整能力体系】

• 基础与拓展：扎实的传统DID、多期DID、PSM-DID、空间DID。

• 前沿与焦点：用整整两天时间深度剖析交叠DID，包括问题来源、诊断检验（Bacon分解、负权重检验、新事件研究法）及各种稳健估计量的原理与应用（dcdH, SA, CS, Plug-in, 堆叠法、局部投影法、合成DID等）。

• AI深度融合：在每一个关键环节（图形自动化、安慰剂检验、PSM匹配、交叠DID估计量实现等）均设计“AI赋能”部分，演示如何通过Trae+智能体+Skills的组合实现自动化或半自动化分析。

【课程目标】

从工具到思维，打造 AI 时代的 DID 研究能力

1. 掌握 AI 实证工具核心操作：独立完成 Trae+Stata 软件配置，能设计 DID 研究专属 AI 智能体，实现代码自动生成、实证分析自动化，大幅提升研究效率；

2. 构建完整的 DID 方法体系：精通传统 DID、多期 DID、空间 DID、PSM-DID 等经典模型的理论与 Stata 实现，能识别研究中的反事实错误，完成稳健性检验与异质性分析；

3. 落地交叠 DID 前沿方法：破解 TWFE 估计偏误难题，掌握 Bacon 分解、负权重检验、非平行趋势检验等核心技巧，能熟练运用 dcdH、SA、CS 等前沿估计量，对接顶刊最新研究范式；

4. 具备实证研究全流程能力：从研究设计、数据处理到模型选择、结果解读，能独立完成一篇高质量的 DID 实证论文，解决实际研究中的各类计量难题。

【课程内容】

两天：AI助力：传统DID+多期DID+DID模型扩展+空间DID，含8篇范例论文解析

一、AI agent赋能DID  2026 new

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

1.2 利用MinMax直接写出DID模型的Stata代码

1.3 AI实时解释代码逻辑，秒懂复杂统计模型

1.4 AI agent智能体的设计

1.5 构建专门应用于DID研究的Stata skills，提升效率

1.6 Vibe Regging：免费用Trae +Stata MCP + Skills实现全自动DID实证

二、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

三、多期DID（渐进DID）（3h）

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 DeepSeek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：

① 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)

② 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)

③ 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

四、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：

④ 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：

⑤ 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.

五、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：

⑥ 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

⑦ 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.

⑧ Clarke D. Estimating difference-in-differences in the presence of spillovers[J]. 2017.

两天：AI助力：交叠DID 2026升级版，含13篇范例论文解析

第1讲 交叠DID最新应用的系统梳理

1.1  交叠DID应用在顶刊的统计分析

1.2  中文期刊交叠DID的两种主流趋势

1.3  异质性处理效应的TWFE估计偏误的来源

1.3.1 禁止性比较组

1.3.2 负权重问题

1.3.3 协变量问题

1.3.4 非平行趋势

1.4 AI赋能：交叠DID识别与图示法的自动化实现

1.4.1 交叠DID识别

1.4.2 交叠DID图示法

1.5  交叠DID研究的实用建议

1.5.1 如何在多期与处理时间变化时，选择合适的DID估计量？

1.5.2 如何处理非平行趋势的情况？

1.5.3 交叠DID各种估计方法应用建议

1.6 重要文献解读2篇：

① 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.

② 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.

第2讲 交叠DID检验

2.1 AI赋能：Bacon分解的自动化实现与图形解析

2.1.1 Bacon分解的图形解析

2.1.2 Bacon分解Stata官方命令与社区命令结果比较与解读

2.2.3 Bacon分解的中文应用

2.2 处理组的负权重检验

2.2.1 负权重检验统计量直观解释

2.2.2 负权重检验Stata命令实现

2.3 非平行趋势检验

2.3.1 事件研究法平行趋势检验效力

2.3.2 如何正确理解新事件研究法的平行趋势检验图

2.3.3 Pre-trends检验

2.4 重要文献解读2篇：

③ Goodman-Bacon, Andrew, Difference-in-differences with variation intreatment timing, Journal of Econometrics, 2021.

④ 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.

第3讲 组别-时期平均处理效应估计量

3.1 AI赋能：dcdH估计量的自动化实现与应用

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

3.1.2 dcdH估计量扩展到多个处理事件和多期

3.1.3 dcdH估计量的Stata实现

3.1.4 dcdH估计量的应用

3.2 AI赋能：SA估计量的自动化实现与应用

3.2.1 Sun和 Abraham(2021) 估计量的理论简析

3.2.2 SA估计量的Stata实现

3.2.3 SA估计量的应用

3.3 AI赋能：CS估计量的自动化实现与应用

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

3.3.2 CS估计量的Stata官方命令与社区命令实现

3.3.3 CS估计量的应用

3.4 AI赋能：Plug-in估计量的自动化实现与应用

3.4.1 Roth和Sant’Anna(2023) 估计量的理论简析

3.4.2 staggered社区命令实现

3.4.3 Plug-in估计量的应用

3.5 重要文献解读3篇：

⑤ De Chaisemartin C, d'Haultfoeuille X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review,2020.

⑥ Sun L, Abraham S. Estimating dynamic treatment effects in event  studies with heterogeneous treatment effects[J]. Journal of Econometrics, 2021.

⑦ Callaway B, Sant’Anna P H C.Difference-in-differences with multiple time periods[J]. Journal of Econometrics, 2021.

第4讲 基于TWFE改进的新估计量

4.1 AI赋能：异质性稳健TWFE的交叠DID新命令的自动化实现

4.2 重要文献解读1篇：

⑧ Wooldridge J M. Two-way fixed effects, the two-way Mundlak regression, and difference-in-differences estimators[J].Available at SSRN3906345, 2021.

第5讲 基于插补方法的估计量

5.1 AI赋能：Imputation估计量的自动化实现与应用

5.2 两阶段DID估计量

5.3 重要文献解读2篇：

⑨ Borusyak K, Jaravel X, Spiess J. Revisiting event study designs: Robust and efficient estimation[J]. Review of Economic Studies, 2024,Forthcoming.

⑩ Braghieri L, Levy R, Makarin A. Social media and mental health[J].American Economic Review, 2022.

第6讲 堆叠与局部投影估计量

6.1 AI赋能：堆叠估计量的自动化实现与应用

6.2 AI赋能：局部投影估计量的自动化实现与应用

6.3 重要文献解读2篇：

⑪ Cengiz D,Dube A, Lindner A, et al. The effect of minimum wages on low-wage jobs. The Quarterly Journal of Economics, 2019.

⑫ Dube, A., D. Girardi, Ò. Jordà and A. M.Taylor. A Local Projections Approach to Difference-in-Differences Event Studies. NBER Working Paper 31184, 2023.

第7讲 DID与合成控制的结合：合成DID

7.1 合成DID的原理与应用领域

7.2 AI赋能：合成DID的命令实现与自动化分析

7.3 重要文献解读1篇：

⑬ 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