经济学实证研究的AI Stata skill：操作指南

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。
 经济学实证研究的AI Stata skill：操作指南
本文主要针对Stata skill，给出一些相关资源，并且给出创建AI Stata skill的一些技巧以及模板。
关于AI Stata skill，可以参考Pedro H. C. Sant’Anna ClaudeCode工作流 
  
    
     
     https://psantanna.com/claude-code-my-workflow/ 
     https://psantanna.com/claude-code-my-workflow/workflow-guide.html 
     https://github.com/pedrohcgs/claude-code-my-workflow 
    
另外，Claude Code 对应Stata Skill 可以在如下市场网址进行检索 
  
    
     
     Skills Marketplace ：https://skillsmp.com/ 
     官方 Skill 仓库 ：https://github.com/anthropics/skills 
     Skills 市场（含 58925 个 Skills） ：https://skillsmp.com/zh 
     扣子商店（含 6 万 9 千多个 Skills） ：https://skillsmp.com 
     精选合集 awesome-claude-skills ：https://github.com/ComposioHQ/awesome-claude-skills 
     Claude 中文社区 ：https://claudecn.com/ 
    
另外计量云课堂一文里面也推荐了如何在Claude Code中创建Stata新技能，
AI Stata Skill 创建指南Stata-package：描述Deion安装 / Installationssc install Stata-package
* 或
net install Stata-package, from("https://...")
概述 / Overview
简要描述该软件包的功能及其适用场景。并说明它与内置替代方案的不同之处。
基本用法 / Basic Usage* Example
help cie
关键选项 / Key Options 
  
    
     
     选项 
     描述 
     option1 
     该选项的作用 
     option2 
     该选项的作用 
    
常见工作流程 / Common Workflows
展示 2-3 个实际用例，并附上完整的代码示例。
注意事项 
  
    
     
     列出常见错误、版本差异等 
     说明该软件安装包对其他软件包的依赖关系 
    
参见 / AlsoSee 
  
    
     
     相关的内置命令 
     相关的社区软件包 
    
指南 / Guidelines 
  
    
     
     保持实用性。专注于语法、选项和可运行的示例。跳过任何大型语言模型（LLM）已知的通用理论。 
     包含注意事项。非直观的行为是您可以记录的最有价值的内容。 
     每个文件对应一个软件包。不要将多个软件包合并到一个文件中。 
     测试您的示例。确保代码块确实能在 Stata 中运行。 
     为任何超过 100 行的文件添加目录 目录。在 H1 标题后添加一个章节，其中包含指向每个 H2 章节的 Markdown 链接。 
     不要包含个人信息。不要在示例中包含特定电脑的路径、名称或凭证。请使用像 "$data/myfile.dta"这样的通用路径。 
    
模板下面给出VS-Code中创建psm.md的结果
# psmatch2: 倾向得分匹配
 安装 / Installation
stata
ssc install psmatch2
* 或
findit psmatch2
 概述 / Overview
`psmatch2` 是 Edwin Leuven 和 Barbara Sianesi 开发的 Stata 包，用于倾向得分匹配（Propensity Score Matching, PSM）。它通过匹配处理组和对照组在倾向得分或协变量距离上的相似性来估计平均处理效应。
与内置命令 `teffects psmatch` 相比的优势：
- 多种匹配算法（最近邻、核匹配、局部线性回归、半径匹配）
- 马氏距离匹配选项
- 可同时处理多个结果变量
- 详细的匹配诊断（通过创建的变量提供个体匹配信息）
- 灵活的共同支持控制
 语法 / Syntax
stata
psmatch2 depvar [indepvars] [ifexp] [inrange] [, outcome(varlist)
pscore(varname) neighbor(integer) radius caliper(real)
mahalanobis(varlist) ai(integer) population altvariance
kernel llr kerneltype(type) bwidth(real) spline
nknots(integer) common trim(real) noreplacement
descending odds index logit ties quietly w(matrix) ate]
 关键选项 / Key Options
| 选项 | 描述 |
|------|------|
| `depvar` | 处理变量（0=对照组，1=处理组） |
| `indepvars` | 协变量，用于估计倾向得分 |
| `outcome(varlist)` | 结果变量 |
| `logit` | 使用 logit 模型拟合（默认是 probit） |
| `neighbor(#)` | 指定最近邻匹配的邻居数，如 `neighbor(1)` 为 1:1 匹配 |
| `radius` | 半径匹配 |
| `kernel` | 核匹配 |
| `llr` | 局部线性回归匹配 |
| `spline` | 样条匹配 |
| `mahalanobis(varlist)` | 马氏距离匹配 |
| `caliper(real)` | 卡尺（最大倾向得分距离） |
| `common` | 限制在共同支持区域 |
| `ate` | 同时估计 ATE（平均处理效应） |
 psmatch2 创建的变量
匹配后，psmatch2 自动生成以下变量：
- `_pscore`：每个观测值的倾向得分
- `_id`：自动生成的每个观测对象的唯一 ID
- `_treated`：指示某个对象是否为处理组
- `_n1`：匹配到的对照对象的 `_id`（如果是 1:3 匹配，还会生成 `_n2`、`_n3`）
- `_pdif`：一组匹配的观察对象倾向得分的差
- `_weight`：对照单元被用作匹配的次数
- `_support`：是否在共同支持区域内
 常见工作流程 / Common Workflows
 示例 1：LaLonde (1986) 数据应用
这是国家支持工作示范(NSW)处理组数据的子样本和当前人口调查(CPS)的比较样本。
stata
* 1. 加载数据并查看结构
use "ldw_exper.dta", clear
describe
* 2. 描述性分析
tabstat age edu black hisp married re74 re75 u74 u75, statistics(mean) by(t)
* 3. 使用 psmatch2 进行倾向得分匹配
psmatch2 t age edu black hisp married re74 re75 u74 u75, 
out(re78) neighbor(1) ate ties logit common
* 4. 查看匹配后数据
list _id _treated _n1 _pscore _pdif _weight in1/20
* 5. 均衡性检验
localv2 "age edu black hisp married re74 re75 u74 u75"
* 6. 共同取值范围图示
psgraph
* 7. 核密度函数图 - 匹配前
twoway (kdensity _pscore if_treat==1, legend(label(1 "Treat"))) 
(kdensity _pscore if_treat==0, legend(label(2 "Control"))), 
xtitle(Pscore) title("Before Matching")
* 8. 核密度函数图 - 匹配后
twoway (kdensity _pscore if_treat==1, legend(label(1 "Treat"))) 
(kdensity _pscore if_weight!=1 & _weight!=., legend(label(2 "Control"))), 
xtitle(Pscore) title("After Matching")
 示例 2：多种匹配方法对比
stata
localv1 "t"
localv2 "age edu black hisp married re74 re75 u74 u75"
global x "`v1' `v2'"
* 最近邻匹配，k=1
psmatch2 $x, out(re78) neighbor(1) ate ties logit common
display "1:1 匹配 ATT = "r(att)
* 最近邻匹配，k=4
psmatch2 $x, out(re78) neighbor(4) ate ties logit common
display "1:4 匹配 ATT = "r(att)
* 半径匹配
psmatch2 $x, out(re78) radius caliper(0.01) ate ties logit common
display "半径匹配 ATT = "r(att)
* 核匹配（默认核函数和带宽）
psmatch2 $x, out(re78) kernel ate ties logit common quietly
display "核匹配 ATT = "r(att)
 示例 3：使用 teffects 对比
stata
* psmatch2 方法
psmatch2 t age edu black hisp married re74 re75 u74 u75, 
out(re78) neighbor(1) ate ties logit common
* teffects psmatch 方法
teffects psmatch (re78) (t age edu black hisp married re74 re75 u74 u75, logit), 
atet nneighbor(1)
 完整分析模板
stata
*-------------------------------------------------------------------------------
* 倾向匹配得分完整分析模板
*-------------------------------------------------------------------------------
* 1. 外部命令配置
ssc install psmatch2, replace
whichpsmatch2
* 2. 加载范例数据
use "ldw_exper.dta", clear
describe
* 3. 描述性分析
tabulate t, summarize(re78) means standard
* 4. 设定宏变量
localv1 "t"
localv2 "age edu black hisp married re74 re75 u74 u75"
global x "`v1' `v2'"
* 5. 倾向匹配得分 - 1:1 匹配
psmatch2 $x, out(re78) neighbor(1) ate ties logit common
* 6. 均衡性检验
* 7. 共同取值范围
psgraph
* 8. 最近邻匹配，k=4
psmatch2 $x, out(re78) neighbor(4) ate ties logit common
* 9. 计算倾向得分
sum _pscore
* 10. 半径匹配
psmatch2 $x, out(re78) neighbor(4) caliper(0.01) ate ties logit common
* 11. 核匹配，使用默认的核函数和带宽
psmatch2 $x, out(re78) kernel ate ties logit common quietly
*-------------------------------------------------------------------------------
 注意事项
- 匹配方法选择：
- 最近邻匹配（Neighbor）：最常用，`neighbor(1)` 为 1:1 匹配
- 半径匹配（Radius）：匹配所有在卡尺内的对照
- 核匹配（Kernel）：使用加权平均，效率更高
- 局部线性回归匹配（LLR）：边界性质更好
- 模型选择：
- 默认使用 probit 模型
- 使用 `logit` 选项指定 logit 模型
- 均衡性检验：
- `pstest` 主要对连续变量有效
- 对分类变量建议使用 χ² 检验或秩和检验
- 匹配后标准化偏差应 < 5%
- 卡尺选择：
- 常见经验法则：卡尺 = 0.25 × 倾向得分标准差
- 可通过敏感性分析测试不同卡尺值
 参见 / Also See
- 相关内置命令：`teffects psmatch`
- 相关社区软件包：
- `pscore`：倾向得分估计
- `nnmatch`：最近邻匹配
- `cem`：广义精确匹配（Coarsened Exact Matching）
- `rbounds`：敏感性分析
图片
图片
AI+Stata2.0红宝书系统介绍AI辅助高级数据分析与因果推断的Stata实现方法，涵盖从工具配置到实操应用的全流程： 
  
    
     
     核心内容：包括AI大模型基础、提示工程、借助AI写代码、Markdown学术应用、AI+Stata/Python工作流程等； 
     技术适配：Stata、Python、VS Code、Jupyter Notebook及Anaconda环境配置与使用指南； 
     案例导向：通过实证案例演示AI在因果推断分析（如合成控制法、断点回归、渐进DID、机器学习）和政策评估中的应用，附提示词与代码示例； 
     资源配套：提供AI大模型集合、提示词速查、代码模板及科研实操手册等实用附录； 
     适用群体：计量经济学研究者、高校师生等群体，既可作为AI辅助学术应用入门教程，也可作为进阶研究的参考手册。
经济学实证研究的AI Stata skill：操作指南

相关推荐
