Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →根据研究者提供的**研究计划书（Research Proposal）**执行基于中国制度环境的公司金融类实证研究全流程。**启动后第一件事：根据计划书的主题、识别策略、贡献边际与样本范围，从中国-context 英文顶级期刊池（JF/JFE/RFS/JFQA/MS/JCF/JBF/JAR/JAE/TAR/CAR/JIBS/China Economic Review/PBFJ 等 25+ 期刊）中推荐 5 本最匹配的目标期刊（[J1]–[J5]），等待研究者明确选定一本；该期刊决定 main.tex 的 bibliographystyle、Section 骨架、Introduction 风格与表注规范**。然后用 Python 完成数据清洗、描述性统计、基准回归、内生性检验（IV/2SLS、DML）、平行趋势、异质性、机制、稳健性检验与图表绘制。LaTeX 表格和图像严格遵循 template/ 示例格式，研究逻辑与排版严格遵循 rule/ 下的《通用实证研究逻辑与规范总结》与《回归表写作规范总结》。数据集与政策集从 asset/ 中按计划书中的关键词检索。**当计划书预期的实证结果无法
| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-05 | ✗→✓ | ▲ Improved | 682% | 0% |
| case-02 | ✗→✓ | ▲ Improved | 232% | 0% |
| case-04 | ✗→✓ | ▲ Improved | 607% | 0% |
| case-08 | ✗→✓ | ▲ Improved | 671% | 0% |
| case-09 | ✗→✓ | ▲ Improved | 664% | 0% |
本 skill 指导基于中国制度环境的公司金融类实证研究的完整流程。覆盖：
本 skill 不替代研究者的研究设计判断，而是把每一环节的标准流程、代码骨架、表格/图像模板提供给研究者，保证产出质量达到中国-context 英文顶级期刊（JF、JFE、RFS、JFQA、RCFS、JCF、JBF；JAR、JAE、TAR、CAR、RAST；MS、SMJ、JIBS；AER、QJE、JPubE、JEEM；以及 China Economic Review、Pacific-Basin Finance Journal、Emerging Markets Review、China Journal of Accounting Research 等 China-friendly 主流刊）的写作与方法论要求。目标期刊在启动后第二步即由 skill 推荐 + 研究者锁定（见 §3.4），后续 main.tex 的 bibliographystyle、Section 骨架、Introduction 风格、表注规范均以此为准。
China-CF-study/ ← working directory
├── asset/ ← 中国常见数据集与政策集索引（研究者提供检索关键词）
│ ├── macrodatas_list.csv # 马克数据网数据集清单（宏观/上市公司/城市层）
│ ├── ppmandata_trade_list.csv # 皮皮慢数据（政策/贸易/金融等）清单
│ ├── 全网首发计量方法+政策数据库.pdf # 原始政策冲击数据库 PDF（975 页，含 800+ 实证研究的方法-政策详尽案例）
│ ├── 计量方法+政策数据库.md # ★ 上面 PDF 的 50 页 markdown 精简版（按"方法 × 政策 × 数据"三维交叉重组；首选入口）
│ └── MCP.docx # MCP 服务器清单（如 CSMAR-MCP），含安装网址
├── rule/ ← 强制性写作与方法论规范（AI 必须逐项遵循）
│ ├── 通用实证研究逻辑与规范总结.docx
│ └── 回归表写作规范总结.docx
├── template/ ← LaTeX 表格与图片模板（格式模仿对象）
│ ├── main.tex # ★ 正文 .tex 模板——新项目 main.tex 的 Preamble / References / Appendix 块均以此为底
│ ├── sum_stat.tex # 描述性统计
│ ├── variables.tex # 变量定义
│ ├── baseline.tex # 基准回归（渐进式加控制 + 渐进式加 FE）
│ ├── addctr.tex # 加入附加控制变量
│ ├── measures.tex # 替换因变量度量
│ ├── specification.tex # 高维交互固定效应
│ ├── iv.tex # 2SLS 工具变量
│ ├── psm_ddml.tex # PSM + DML（Panel A / Panel B）
│ ├── bunching-did.tex # Bunching-DID
│ ├── channel1.tex, channel2.tex, channel3.tex # 机制分析（按渠道分组）
│ ├── heterogeneity1.tex, heterogeneity2.tex, heterogeneity3.tex # 异质性（bdiff）
│ ├── sampling.tex # 样本筛选稳健性
│ ├── further.tex # 进一步分析
│ ├── parallel.pdf # 平行趋势图
│ ├── csdid-figure.pdf # Callaway-Sant'Anna DID 动态效应
│ ├── estimator.pdf # 不同 DID 估计量对比
│ ├── psm-pre-post.pdf # PSM 平衡检验前后
│ └── specurve.pdf # 规格曲线（specification curve）
└── 研究项目输出/ ← 每个实证项目的产出目录（按本 skill 建议结构创建）
└── {项目名}/
├── main.tex # ★ 正文入口（preamble 照抄 template/main.tex），\input{results/xxx.tex}
├── data/{raw,cleaned}/
├── code/ # Python 脚本
└── results/ # 表格 (.tex) 与图像 (.pdf/.png) 统一存放本 skill 只在研究者提供研究计划书（Research Proposal）时触发。计划书以下述任一形式提交均可：
.docx / .pdf / .md / .tex 文件路径CONTRACT — 研究计划书最小字段清单
────────────────────────────────────────────────────────
(1) 研究题目 (Title)
(2) X → Y 因果假设 (Hypothesis)：主假设 H1 + 最多 2 条子假设
(3) 预期结果 (Expected Findings)：X 对 Y 的预期符号与显著性、预期机制
渠道、预期异质性方向（此项至关重要——是后续"备选方案"的触发判据）
(4) 识别策略 (Identification)：DID / Staggered DID / Panel FE + IV /
PSM-DID / RDD / 合成控制 / DML 中择一
(5) 样本范围 (Sample)：层级（公司-年/城市-年/省-年）、时间窗、排除条款
(6) 政策冲击 (Shock)：【DID/RDD 必填】政策名称、公布/实施年份、处理组定义
(7) 数据需求 (Data)：关键词清单（数据集 + 政策集）。来源优先级：
asset/ 清单 → asset/MCP.docx 登记的 MCP 服务器（如 CSMAR-MCP）
→ CSMAR / WIND / RESSET / 统计年鉴 / 政府公开 / 手工整理 等外部来源
(8) 机制假说 (Mechanism)：预期作用渠道 M1 / M2 / M3
(9) 异质性维度 (Heterogeneity)：预期分组维度 + 预期组间差异方向[J1]–[J5] 编号 + 4 维星级评分 + "Why it fits" 一两句话（含本刊近 3 年发表的同主题中国论文示例 1 篇）+ "Editorial preference" + bib style 呈现（输出格式见 §3.4.3）。呈现完毕后停下，显式询问研究者选定哪一本（也允许用户提出列表外的期刊）。在收到选择前不进入第 3 步。00_proposal.md：写入项目根 {项目名}/00_proposal.md，顶部以 YAML 块追加 target_journal / bibliography_style / writing_preferences 三组字段（见 §3.4.3 末尾示例），作为后续所有判断与 main.tex 渲染的基准文件。{项目名}/ 下所有子目录与占位脚本；main.tex 头部按 §3.4.4 表把 \bibliographystyle{} 与 Section 骨架替换为目标期刊的版本（preamble 仍然照抄 template/main.tex 的其他部分）。中国数据 CF 论文的现实投稿地图与美国/跨国数据不同——三大综合刊（AER/QJE/JPE）罕见纯中国 CF 选题（除非政策有全球影响如 China Shock 系列）；JF/JFE/RFS 近 5 年中国论文产出明显增加，但要求"机制全球可借鉴 + 识别透明"；JCF/JBF/PBFJ/CER/EMR/CJAR 等是中国 CF 主流刊。
| Tier | 期刊 | 全名 | 中国-context 偏好特征 | bib style | |---|---|---|---|---| | T1 综合 | AER | American Economic Review | 仅接 China Shock 类全球影响政策；CF 主题罕见 | aer | | T1 综合 | QJE | Quarterly Journal of Economics | 高门槛自然实验；中国 CF 极罕见 | qje | | T1 综合 | JPE | Journal of Political Economy | 偏理论结构估计；中国治理/契约偶有 | jpe | | T1 综合 | REStud | Review of Economic Studies | 结构 + 方法；中国 CF 罕见 | restud | | T1 金融 | JF | Journal of Finance | 故事完整 + 大样本中国机制创新（split-share、QFII、HK Connect、注册制） | jf | | T1 金融 | JFE | Journal of Financial Economics | 中国主题最活跃接收刊；识别透明 + 控制变量逐项展示 | jfe | | T1 金融 | RFS | Review of Financial Studies | 理论嵌入 + 中国独特机制 | rfs | | T2 金融 | JFQA | Journal of Financial and Quantitative Analysis | 严谨实证；中等贡献中国识别清晰选题 | jfqa | | T2 金融 | RCFS | Review of Corporate Finance Studies | CF 专门 OA 刊；中国论文比例上升 | rcfs | | T2 金融 | RAPS | Review of Asset Pricing Studies | A 股资产定价；非纯 CF | raps | | T2 金融 | JCF | Journal of Corporate Finance | 中国 CF 主流接收刊；中国选题占比高 | elsarticle-num | | T2 金融 | JBF | Journal of Banking and Finance | 中国银行/信贷主流刊；中国选题接受度高 | elsarticle-num | | T2 金融 | JFI | Journal of Financial Intermediation | 中国银行 / 信贷 / 中介 | jfi | | T2 金融 | JFM | Journal of Financial Markets | A 股微观结构 / 流动性 | elsarticle-num | | T2 金融 | FM | Financial Management | CF 应用导向 | apa | | T1 会计 | JAR | Journal of Accounting Research | 中国披露 / 分析师 / 审计 / 信息环境 | jar | | T1 会计 | JAE | Journal of Accounting and Economics | 中国契约 / 高管薪酬 / 经济后果 | jae | | T1 会计 | TAR | The Accounting Review | 中国数据近年大量接收（治理、披露、审计） | tar | | T2 会计 | RAST | Review of Accounting Studies | 中国估值 / 披露 / 信息环境 | rast | | T2 会计 | CAR | Contemporary Accounting Research | 中国数据接受度高；与 TAR 平台相近 | car | | 管理 | MS | Management Science | 中国数据友好；因果识别 + 跨学科创新 | informs | | 管理 | SMJ | Strategic Management Journal | 中国治理 / 跨国并购 / 公司战略 | smj | | 管理 | OS | Organization Science | 中国治理 + 组织 + CF 交叉 | orsc | | 国际 | JIBS | Journal of International Business Studies | 跨国 / 制度差异 / Chinese MNEs / 跨境 M&A | jibs | | 公共 | JPubE | Journal of Public Economics | 中国税收 / 监管的 CF 后果（营改增、金税工程） | elsarticle-num | | 环境 | JEEM | Journal of Environmental Economics and Management | 环保税 / 双碳 / 排污权 × CF | elsarticle-num | | 中国-friendly | CER | China Economic Review | 中国主题专刊；门槛中等；CF 接收量大 | elsarticle-num | | 中国-friendly | PBFJ | Pacific-Basin Finance Journal | 亚太/中国 CF 中下游主流刊 | elsarticle-num | | 中国-friendly | EMR | Emerging Markets Review | 中国/新兴市场 CF；制度差异比较 | elsarticle-num | | 中国-friendly | CJAR | China Journal of Accounting Research | 中国会计实证主刊（Peking University & Elsevier） | elsarticle-num | | 中国-friendly | CFRI | China Finance Review International | 中国 CF 应用导向 OA 刊 | apa | | 中国-friendly | CAFR | China Accounting and Finance Review | 中国 CF / 会计；中文摘要双语 | apa | | 跨学科 | JBE | Journal of Business Ethics | ESG / 治理 / 文化 × 中国 | apa | | 国际财务 | JIFMA | Journal of International Financial Markets, Institutions and Money | 跨境 / 制度 / 资本流动 × 中国 | elsarticle-num |
> 若研究者指名列表外的期刊（如 British Accounting Review、Asia-Pacific Journal of Accounting and Economics、International Review of Economics and Finance、Finance Research Letters、Journal of International Money and Finance 等），照单选定即可，并比照同档期刊套用 bib style 与 Section 骨架。
对每本候选按 4 维 1–5 打分：
T = topic_fit # CF 主题与期刊偏好对齐
M = method_fit # 识别策略与期刊门槛对齐
N = novelty_fit # 贡献边际能否打动该刊编辑（中国机制能否对国际读者讲得通）
S = sample_fit # 中国样本与期刊地理偏好（China-friendly 加分，纯美国偏好刊扣分）
score = 0.35 T + 0.30 M + 0.25 N + 0.10 S匹配示例（仅作 skill 内部参考；不输出给研究者）：
[J1] JFE — Journal of Financial Economics
Topic ★★★★★ Method ★★★★★ Novelty ★★★★☆ Sample ★★★★★ Score 4.70
Why it fits: {2 句话——对齐研究主题与识别方法；指本刊近 3 年发表的相近中国
主题论文（举 1 篇，作者-年份-标题缩写）}
Editorial preference: 偏好识别透明 + 表格规范严 + 控制变量逐项展示
Bibliography style: jfe
[J2] JCF — Journal of Corporate Finance
...呈现完 5 本后，必须显式停下并询问（不要自动选定）：
> 请从 J1]–J5] 中选定一本作为目标期刊；若不满意，请直接告知任一中国-context 英文 CF 顶刊名（如 JF / TAR / MS / China Economic Review 等）。 > 您的选择将决定 main.tex 的 \bibliographystyle{}、Section 骨架、Introduction 风格与表注最低长度。
研究者选定后，在 00_proposal.md 顶部追加（示例为 JFE）：
yaml--- target_journal: JFE bibliography_style: jfe writing_preferences: identification_emphasis: high table_format_strict: yes introduction_style: "5 paragraphs, identification details surface early" notes_paragraph_length: ">= 6 lines" section_skeleton: - Introduction - Background (China's institutional setting) - Data - Empirical Strategy - Results - Robustness - Conclusion ---
| 期刊 | bib style | Section 骨架 | Intro 风格 | 表注最低 | 中国-context 特别要求 | |---|---|---|---|---|---| | JF | jf | Intro / Setting / Hypotheses / Data and Methodology / Results / Mechanism / Conclusion | 5–6 段，puzzle 驱动 | ≥ 8 行 | Setting 段须解释中国制度对国际读者；偏好简洁列头 | | JFE | jfe | Intro / Background / Data / Empirical Strategy / Results / Robustness / Conclusion | 5 段，识别细节早出现 | ≥ 6 行 | Background 段须详述中国政策；表格规范最严；控制变量逐项展示 | | RFS | rfs | Intro / Theoretical Motivation / Data / Identification / Empirical Findings / Conclusion | 4–5 段，理论 motivation 醒目 | ≥ 6 行 | 偏好理论嵌入；中国机制需有 model micro-foundation；正文 25–30 页 | | JFQA | jfqa | 类 JFE | 类 JFE | ≥ 5 行 | 中国识别清晰即可；表格规范严 | | JCF | elsarticle-num | Intro / Background / Data / Methodology / Results / Conclusion | 4–5 段，中国制度背景较多 | ≥ 5 行 | 中国 CF 主流刊；可较窄主题；中国读者也读，制度术语可保留拼音注释 | | JBF | elsarticle-num | 类 JCF | 4 段 | ≥ 5 行 | 偏好中国银行/信贷/监管主题 | | JAR | jar | Intro / Hypothesis Development / Sample and Data / Research Design / Results / Conclusion | 6 段，hypothesis 在 §2 独立 | ≥ 6 行 | Hypothesis section 必须独立；预测式 H1/H2/H3；中国制度在 §2 末尾或 §3 开头介绍 | | JAE | jae | 类 JAR | 6 段 | ≥ 6 行 | 经济后果导向；中国契约/治理选题须有可检验对立预测 | | TAR | tar | 类 JAR | 类 JAR | ≥ 5 行 | 类 JAR；偏好新 measure；中国数据近年大量接收 | | CAR | car | 类 JAR | 类 JAR | ≥ 5 行 | 与 TAR 平台相近；中国会计接受度高 | | RAST | rast | 类 JAR | 5 段 | ≥ 5 行 | 偏好估值 / 信息环境；可中国披露改革 | | AER | aer | Intro / Background / Data / Empirical Strategy / Results / Mechanism / External Validity / Conclusion | 4 段，影响广泛 | ≥ 5 行 | 必须有外部有效性讨论；中国选题须有全球影响（如 China Shock） | | QJE / JPE / REStud | qje / jpe / restud | 类 AER（结构更紧凑） | 4 段，puzzle + economic significance | ≥ 5 行 | 跨子学科可读性；中国 CF 须显著方法/概念创新 | | MS | informs | Intro / Background / Hypotheses / Data and Methods / Results / Discussion / Conclusion | 4–5 段，跨学科 motivation | ≥ 5 行 | 必含 managerial implication；中国数据友好；强调因果识别 | | SMJ | smj | 类 MS | 4–5 段 | ≥ 5 行 | 中国治理 / 跨国并购 / 战略选择 | | JIBS | jibs | Intro / Theory and Hypotheses / Methods / Results / Discussion / Conclusion | 5 段，跨国比较视角 | ≥ 5 行 | 必含 international business 贡献；偏好 Chinese MNEs / 制度差异 | | JPubE / JEEM | elsarticle-num | 类 JFE | 4 段 | ≥ 5 行 | 偏好中国税收/环保政策的 CF 后果 | | CER | elsarticle-num | Intro / Background / Data / Methodology / Results / Conclusion | 3–4 段，中国制度可较详 | ≥ 4 行 | 中国主题专刊；中国制度术语可较密集；可中国读者视角 | | PBFJ | elsarticle-num | 类 CER | 3–4 段 | ≥ 4 行 | 亚太/中国 CF；门槛低于 JCF | | EMR | elsarticle-num | 类 CER | 3–4 段 | ≥ 4 行 | 中国/新兴市场对照；制度差异是 selling point | | CJAR / CAFR / CFRI | elsarticle-num / apa / apa | 类 JAR / JCF | 3–4 段 | ≥ 4 行 | 中国主流接受度高；可中文摘要双语；制度术语可不解释过细 |
render_main_tex() 在生成 main.tex 时读取 00_proposal.md 的 target_journal / bibliography_style / section_skeleton，自动替换 \bibliographystyle{} 与 Section 命名；同时把目标期刊的 notes_paragraph_length 阈值传入各 render_*_tex() 函数，确保表注长度达到目标刊门槛。
本 skill 的核心能力——当任一环节的实证结果与 00_proposal.md 中"(3) 预期结果"不符时，skill 不要求研究者干预，自主在以下备选方案树中选择并执行，直到研究项目闭环。
| 环节 | 预期结果 | 失败判据（触发 Plan-B） | |---|---|---| | 平行趋势检验 | 所有 pre 期系数不显著 | 任一 pre 期 \|t\|>1.96 | | 基准回归 | X 系数符号与预期一致且 p<0.1 | 符号反向 / 全部不显著 / 系数随控制变量/FE 添加大幅跳动 | | 稳健 DID 估计量 | CS-DID / Sun-Abraham 结论方向与 TWFE 一致 | 符号反向或 p 值量级完全不匹配 | | IV 第一阶段 | F 统计量 > 10、IV 显著 | F < 10 或 IV 不显著 | | IV 第二阶段 | LATE 与 OLS 方向一致、可解释 | 符号反向且数量级异常 | | 机制分析 | 预期渠道 M1/M2/M3 显著 | 所有渠道不显著 | | 异质性 | 预期维度组间差异显著 | bdiff p > 0.1 | | 稳健性 | X 系数符号/显著性在多数列稳定 | 超过 1/3 列翻转 | | 安慰剂 (仅 DID / Staggered DID / PSM-DID 项目执行；纯 Panel FE+IV / RDD / DML / 合成控制 项目跳过本环节) | 真实系数在虚假分布之外 | 真实系数落在虚假分布的 5%,95%] 内 |
失败环节 → 依次尝试：
【基准回归】系数不显著 / 符号反向
├─ B1. 替换 Y 度量（从 template/measures.tex 思路：Ln(...)、子维度拆分、行业调整）
├─ B2. 替换 X 度量（连续 vs 虚拟 / 强度 vs 0-1）
├─ B3. 替换 FE 规格（加 Industry×Year、Province×Year，高维交互）
├─ B4. 替换聚类层级（firm → city → province×year 双向）
├─ B5. 样本细化（剔除金融业、ST、IPO 当年；仅保留主要政策实施前已上市样本）
├─ B6. 换时间窗（缩短到政策前后 ±5 年）
└─ B7. 若仍不显著 → 考虑反向假设（Y→X 或 U 型/门槛），在 proposal 中注明假设修正
【平行趋势】pre 期显著
├─ B1. 重新定义政策时点（公布年 vs 实施年 vs 试点年）
├─ B2. 用 Sun-Abraham / CS-DID 替代 TWFE
├─ B3. 限制政策前窗口（仅保留 pre_3 到 las_K）
├─ B4. 加入 Group × linear trend 控制差异化趋势
└─ B5. 改为 PSM-DID 缓解选择偏差后重测
【IV 第一阶段弱】F < 10
├─ B1. 尝试 asset/计量方法+政策数据库.md §6.2 "X→IV 配对清单"中相同 X 的备选 IV，或 §12 政策大全中同维度的其他外生冲击（如 Broadband/TechFin/Court）
├─ B2. 构造 Bartik / Shift-Share IV（行业份额×全国冲击）
├─ B3. 用滞后变量 / 同伴平均 (peer mean) 作为 IV
├─ B4. 改为 DML-Partial（弱化 IV 依赖，用 ML 处理高维混淆）
└─ B5. 改用断点/匹配的自然实验替代 IV
【机制不显著】所有 M 均无效应
├─ B1. 换中介变量度量（同一渠道的不同代理）
├─ B2. 换渠道组合（从供给→需求→制度三维替换）
├─ B3. 拆分样本（分组后分别做机制，寻找条件性渠道）
├─ B4. 改用交互项检验（X × M → Y 是否有调节）
└─ B5. 若仍无渠道显著 → 在"进一步分析"中承认黑箱，改做异质性深挖
【异质性不显著】bdiff p > 0.1
├─ B1. 换分组切点（median → tertile/quartile）
├─ B2. 换分组变量（同维度其他代理）
├─ B3. 连续调节变量做交互项（企业级）
├─ B4. 换分组维度（经济→制度→文化→政策四大簇切换）
└─ B5. 保留为"null heterogeneity"——在论文正文中作为结论的边界条件陈述
【稳健性大面积翻转】
├─ B1. 回溯样本构造（检查缺失/极端值/行业代码）
├─ B2. 检查是否遗漏同期政策 → 加入 co-shock dummy
├─ B3. 重算处理组/对照组的定义口径
└─ B4. 若仍不稳健 → 核心结论弱化为"条件性证据"，在正文强调边界
【安慰剂失败】真实系数落在虚假分布内
├─ B1. 增加 reps（500 → 1000 → 2000）
├─ B2. 换安慰剂设计（空间 → 时间 → 空间+时间双维度）
├─ B3. 回溯基准 → 基准本身可能有 confounder，返回【基准回归】的 B1-B7每次触发 Plan-B，必须在 {项目名}/DECISION_LOG.md 追加一条：
markdown## YYYY-MM-DD HH:MM — 环节 {X} Plan-B - **预期**（引自 proposal 第 3 条）：... - **实测**：系数 = ..., t = ..., p = ... - **触发判据**：... - **选择分支**：B{n} — {方案名} - **后续调整**：... - **再测结果**：...
顺序来自 rule/通用实证研究逻辑与规范总结.docx 第 7.2 节。每一步都配有下文的 Python 代码骨架与 template/ 中的 LaTeX 对照模板。
| # | 环节 | 必做？ | 对应 Python 产物 | 对应 LaTeX 模板 | |---|---|---|---|---| | 1 | 描述性统计 + 变量定义 + 样本构造 | 必做 | 01_clean.py → sample.tex；02_sumstat.py → sum_stat.tex + variables.tex | template/sum_stat.tex + variables.tex（+ 样本表按 psm_ddml.tex 的 Panel A/B 风格手写） | | 2 | 平行趋势检验 | DID 必做；其他跳过 | 02_parallel.py → results/parallel.pdf | template/parallel.pdf | | 3 | 异质性稳健 DID 估计量 | staggered DID 必做 | 03_csdid.py（CS-DID / Sun-Abraham / Stacked） | template/csdid-figure.pdf + estimator.pdf | | 4 | 基准回归 | 必做（定海神针） | 04_baseline.py → baseline.tex | template/baseline.tex | | 5 | 内生性检验 | Panel FE 必做；DID 推荐 | 05_iv.py + 05_dml.py | template/iv.tex + psm_ddml.tex Panel B | | 6 | 因变量分解 / 替换度量 | 推荐 | 06_measures.py | template/measures.tex | | 7 | 机制分析 | 必做 | 07_channel1.py, 07_channel2.py, 07_channel3.py | template/channel1/2/3.tex | | 8 | 异质性分析 | 必做 | 08_hetero1.py, 08_hetero2.py, 08_hetero3.py | template/heterogeneity1/2/3.tex | | 9 | 稳健性检验 | 必做 | 09_addctr.py, 09_spec.py, 09_sampling.py, 09_bunching.py | template/addctr/specification/sampling/bunching-did.tex | | 10 | PSM-DID | DID 推荐 | 10_psm.py → psm_ddml.tex Panel A | template/psm_ddml.tex + psm-pre-post.pdf | | 11 | 安慰剂检验 | DID 必做；非 DID 项目跳过 | 11_placebo.py → results/placebo.pdf | 参照 rule 第 5.2 节安慰剂分布图规范 | | 12 | 进一步分析 / 规格曲线 | 可选 | 12_further.py, 12_specurve.py | template/further.tex + specurve.pdf |
> 铁律：本 skill 一律用 Python 实现计量。rule/ 中的 Stata 代码（esttab 等）仅作格式参考，最终 .tex 由 Python 函数按 template/ 的手写表壳格式直接渲染输出。
python# 所有脚本统一导入 import numpy as np import pandas as pd import statsmodels.api as sm from linearmodels.panel import PanelOLS from linearmodels.iv import IV2SLS import pyfixest as pf # 高维固定效应 + reghdfe 等价 from doubleml import DoubleMLPLR, DoubleMLPLIV, DoubleMLData from sklearn.linear_model import LassoCV, RidgeCV from sklearn.ensemble import RandomForestRegressor import lightgbm as lgb import matplotlib.pyplot as plt import matplotlib as mpl mpl.rcParams['font.family'] = 'Times New Roman' mpl.rcParams['axes.facecolor'] = 'white' mpl.rcParams['figure.facecolor'] = 'white' mpl.rcParams['axes.edgecolor'] = 'black'
pythondef reg_hdfe(df, y, x, controls, fe, cluster): """ y: 因变量名 (str) x: 核心解释变量名 (str) controls: 控制变量名列表 fe: 固定效应列表, e.g. ['firm_id','year'] cluster: 聚类层级, e.g. 'firm_id' 返回 pyfixest.Feols 对象 """ rhs = x + ' + ' + ' + '.join(controls) fe_str = ' + '.join(fe) formula = f"{y} ~ {rhs} | {fe_str}" return pf.feols(formula, data=df, vcov={'CRV1': cluster})
pythondef iv_2sls(df, y, x_endog, instruments, controls, fe, cluster): """ 先做 within 变换（去掉 fe），再 IV2SLS， 报告 Kleibergen-Paap rk Wald F。 instruments: IV 列表（每列单独一列 + 合并一列交叉验证） """ # pyfixest 原生支持 IV： rhs = ' + '.join(controls) fe_str = ' + '.join(fe) iv_str = f"({x_endog} ~ {' + '.join(instruments)})" formula = f"{y} ~ {rhs} | {fe_str} | {iv_str}" return pf.feols(formula, data=df, vcov={'CRV1': cluster})
pythondef dml_plr(df, y, d, controls, learner='lasso', n_folds=5, n_reps=10): learners = { 'lasso': LassoCV(cv=5), 'ridge': RidgeCV(), 'rf': RandomForestRegressor(n_estimators=500, max_depth=8, n_jobs=-1), 'lgbm': lgb.LGBMRegressor(n_estimators=500, num_leaves=31), } dml_data = DoubleMLData(df, y_col=y, d_cols=d, x_cols=controls) model = DoubleMLPLR(dml_data, ml_l=learners[learner], ml_m=learners[learner], n_folds=n_folds, n_rep=n_reps) model.fit() return model # .coef, .se, .t_stat, .pval, .confint()
python# CS-DID：用 differences 包或手写 group-time ATT 聚合 # Sun-Abraham：interaction-weighted estimator，用 pyfixest 的 sunab() 便捷函数 def csdid_event_study(df, y, cohort, time, controls, cluster): """ cohort: 处理开始年份（未处理组为 NaN/Inf） 返回：{e: att, se, ci} 的字典，用于画动态效应图（event_study plot） """ # 实现 Callaway & Sant'Anna (2021) 做法 # 或直接调用 pyfixest.feols 配合 i(time, treat, ref=-1) 画事件研究 ...
pythondef psm_match(df, treat, covariates, k=4, caliper=0.002): """最近邻 1:k 匹配 + caliper。返回带权重的新 DataFrame。""" from sklearn.linear_model import LogisticRegression from sklearn.neighbors import NearestNeighbors # 估计倾向得分 → 最近邻匹配 → 返回匹配后样本 ... def entropy_balance(df, treat, covariates): """使用 ebalance / cvxpy 实现熵平衡重加权。""" ...
pythondef bdiff_bootstrap(df, y, x, controls, fe, cluster, group_var, reps=500, seed=42): """ 对异质性分析的两组（High/Low）做 bootstrap Fisher 置换检验。 rule/ 回归表写作规范总结.docx 第 4.5 节要求 500 reps。 返回：p-value for (b_high - b_low) """ rng = np.random.default_rng(seed) ...
所有 .tex 由 Python 函数手写生成，目标是让输出和 template/ 中对应文件视觉一致：相同的 \toprule / \midrule / \bottomrule、相同的 \sym{} 宏、相同的列头结构（&\multicolumn{1}{c}{(1)}…）、相同的表注 justifying 段。
|），不在系数区加额外 \hline。三线表：\toprule / \midrule / \bottomrule 各一次。t statistics in parentheses（若改为 SE，表注同步改）。*** p<0.01, ** p<0.05, * p<0.1，星号嵌于 \sym{} 宏。%.4f，t 值 (%.2f)，观测数 %,.0f，R² %.2f。Firm FE / Year FE / City FE / Ind × Year FE …，Yes/No 显式标注。Table \ref{definition}、显著性符号说明。\cmidrule(lr){i-j} 分组列头，并在表尾增加 p-value for Diff. (High-Low) 一行（bootstrap Fisher 置换检验，reps=500）。pythondef render_baseline_tex(models, labels_cols, var_order, var_labels, fe_rows, nobs, r2, caption, label, note, out_path): """ 按 template/baseline.tex 的结构写出 .tex。 models: 列表，每个元素是 (coef_dict, t_dict)；coef_dict 的 key 与 var_order 一致。 fe_rows: [('Firm FE', ['Yes','Yes',...]), ('Year FE', [...]), ...] """ lines = [r'\begin{table}[htbp]\centering\scriptsize', r'\def\sym#1{\ifmmode^{#1}\else\(^{#1}\)\fi}', rf'\caption{{\textbf{{{caption}}}}}', rf'\label{{{label}}}', '', rf'\noindent{{\justifying{{{note}\par}}}}', r'\bigskip', '', rf'\begin{{tabularx}}{{\textwidth}}{{l{"Y"*len(models)}@{{}}}}', r'\toprule', ''] # 列序号行 header1 = ' ' + ''.join([rf'&\multicolumn{{1}}{{c}}{{({i+1})}}' for i in range(len(models))]) + r'\\' lines.append(header1) # 可选：第二行列头（因变量名 / 分组名） if labels_cols: header2 = ' ' + ''.join([rf'&\multicolumn{{1}}{{c}}{{{c}}}' for c in labels_cols]) + r'\\' lines.append(header2) lines.append(r'\hline\\') # 系数与 t 值：每个变量两行 for v in var_order: vlab = var_labels.get(v, v) coef_line = f'{vlab:<16}' + ''.join( [rf'& {fmt_coef(m[0][v], m[2][v]):>17}' for m in models]) + r'\\' t_line = ' ' * 16 + ''.join( [rf'& {fmt_t(m[1][v]):>17}' for m in models]) + r'\\' lines += [coef_line, t_line] lines.append(r'\hline') # FE 行 + Obs + Adj R² lines.append(f'Obs ' + ''.join([rf'&{n:>10,} ' for n in nobs]) + r'\\') for name, vals in fe_rows: lines.append(f'{name:<16}' + ''.join([rf'&{v:>10} ' for v in vals]) + r'\\') lines.append(f'Adjusted $ R^2$ ' + ''.join([rf'&{r:>10.2f} ' for r in r2]) + r'\\') lines += [r'\bottomrule', r'\end{tabularx}', r'\end{table}'] with open(out_path, 'w', encoding='utf-8') as f: f.write('\n'.join(lines)) def fmt_coef(b, stars): s = {3:r'\sym{***}', 2:r'\sym{**}', 1:r'\sym{*}'}.get(stars, '') sign = ' ' if b >= 0 else ' ' return f'{sign}{abs(b):>7.4f}{s}' # 与 template/baseline.tex 的对齐一致 def fmt_t(t): return f'({t:>5.2f})'
render_sumstat_tex、render_iv_tex（含 First Stage/Second Stage 分组列头 + \cmidrule）、render_channel_tex（因变量行在第二层列头）、render_heterogeneity_tex（含 p-value for Diff. 行）、render_psm_ddml_tex（Panel A + Panel B 复合表）、render_variables_tex（p{2.0cm}p{13.5cm} 两列定义表）、render_sample_tex（附录用，Panel A + Panel B 两栏式样）按 template/ 中对应文件一一对应实现。
render_sample_tex 结构要求（附录 sample.tex）：
Filtering Step | # Firm-Year Observations | # Unique FirmsAll CSMAR A-share firm-years (2003-2023) / Drop financial & insurance (CSRC=J) / Drop ST or *ST / Drop IPO year / Drop firm-years with missing controls / Final sampletemplate/psm_ddml.tex 的 Panel A / Panel B 两 tabularx 并列写法；三线表；列头居中；样本量 %,.0f 格式\noindent{\justifying{...}}）：说明样本起止年、排除条款、缩尾分位；给出 CSRC 2012 行业代码口径、东中西划分依据遵循 rule/回归表写作规范总结.docx 第五部分图像规范：白底、黑框、Times New Roman、.pdf + .png 双份输出。
errorbar(rcap 样式) + axhline(0) + axvline(基准期, linestyle='--')hist + kde，真实系数 axvline(color='red')errorbar，按"经济/制度/文化/政策"分组，每组一个 subplotseaborn.regplot 或手写残差化后分 bin，散点 navy，拟合线 maroon数据来源不限于 asset/ 中的两份清单——asset/ 只是优先考虑的入口。实际研究中，研究者可（且应）按下述优先级补充其他来源：
1.5. asset/全网首发计量方法+政策数据库.pdf —— 仅当 md 精简版不足时打开（975 页完整版，按 md §14 索引定位到 PDF 页码）
MCP 服务器使用说明：asset/MCP.docx 登记的每个 MCP 服务器附有 lobehub 页面 URL，按页面中的安装指引（通常是 npx / uvx 命令配置到 ~/.claude.json 或 settings.json 的 mcpServers 字段）完成安装；安装后通过 mcp__<server-name>__<tool> 前缀工具调用。安装步骤由研究者或 skill 借助 update-config skill 辅助完成。
asset/计量方法+政策数据库.md（50 页精简版，首选入口）中按"方法（§2–§11）/ 政策（§12）/ 数据（§13）"三个维度交叉定位；asset/macrodatas_list.csv、asset/ppmandata_trade_list.csv 中搜索 title / keyword / data_intro / data_indicators 列，返回 top 5 候选；asset/全网首发计量方法+政策数据库.pdf 查阅原始 800+ 实证研究的完整页（按 md 第 14 章索引定位到具体 PDF 页码）。asset/MCP.docx 中登记的 MCP 服务器能否覆盖该变量（如 CSMAR-MCP 覆盖上市公司基本面 + 治理变量）。确认后按 docx 中的 URL 指引完成 MCP 安装，调用 MCP 工具取数。data/raw/。"无论数据来自 asset/、MCP 服务器还是外部来源，在 sample.tex 与论文 Data 小节必须标注每个变量的原始出处（数据库名 + 访问年份 + 是否手工整理）：
macrodatas_list.csv 第 1776761040 行）CSMAR-MCP / mcp__csmar__get_financials）与访问日期pythondef search_asset(keyword, top=5): """三维检索：先扫精简 md，再扫两份 CSV。md hits 用于方法 / 政策 / 数据三维定位； CSV hits 用于具体数据集名匹配。""" md_path = 'asset/计量方法+政策数据库.md' md_lines = open(md_path, encoding='utf-8').read().splitlines() md_hits = [(i + 1, ln) for i, ln in enumerate(md_lines) if keyword in ln][:top] if md_hits: print(f"[md] 在 {md_path} 命中 {len(md_hits)} 行（行号+片段）：") for ln_no, ln in md_hits: print(f" L{ln_no}: {ln.strip()[:120]}") cols = ['title','data_source','keyword','data_intro','data_indicators','article_url'] csv_results = [] for csv in ['asset/macrodatas_list.csv','asset/ppmandata_trade_list.csv']: df = pd.read_csv(csv, usecols=cols, encoding='utf-8', errors='ignore') hit = df[df.apply(lambda r: keyword in str(r.to_dict()), axis=1)] csv_results.append(hit.head(top)) out = pd.concat(csv_results) if len(out) == 0 and not md_hits: print(f"[!] asset/ 无匹配 '{keyword}'。建议来源：CSMAR / WIND / 统计年鉴 / 手工整理。") return out
| 陷阱 | 做法 | |---|---| | 样本未剔除金融业（证监会行业代码 J） | 默认剔除 | | 未剔除 ST / ST / IPO 当年 | 默认剔除 | | 控制变量极端值 | 连续变量 1% / 99% 缩尾（winsor），在表注中说明 | | 行业分类口径 | 优先 CSRC 2012（制造业 2 位代码），在稳健性中替换 SIC | | 省/市合并问题 | 2011 前巢湖、2020 后区划调整等，需统一合并 | | 聚类层级 | 基本单位聚类（firm/city），稳健性中替换 province × year 双向聚类 | | staggered DID | 必配 CS-DID 或 Sun-Abraham 交叉验证，避免 TWFE 负权重 | | 政策公布 vs 实施 | 区分"公布年""实施年"，在稳健性中替换 | | 同期政策混淆 | 检索 asset/计量方法+政策数据库.md 第 §12 节"中国政策大全"按主题域排查同期政策；在基准回归中加入同期政策的 dummy 控制 |
在 CONTRACT 九字段确认后，自动生成如下骨架（所有 Python 脚本预埋 template/ 对照的 render_*_tex 调用）：
{项目名}/
├── 00_proposal.md # 计划书固化版（**顶部 YAML：target_journal / bibliography_style / writing_preferences**；下接 CONTRACT 九字段）
├── DECISION_LOG.md # Plan-B 切换记录（3.A.3）
├── data/raw/ # 研究者放入原始数据
├── data/cleaned/sample.parquet # 清洗后样本
├── code/
│ ├── 00_config.py # 全局变量（样本年份、控制变量列表、FE 配置）
│ ├── 01_clean.py # → results/sample.tex（样本构造 Panel A + 样本分布 Panel B）
│ ├── 02_sumstat.py # → results/sum_stat.tex + results/variables.tex
│ ├── 03_parallel.py # → results/parallel.pdf [DID 专用]
│ ├── 04_baseline.py # → results/baseline.tex
│ ├── 05_iv.py # → results/iv.tex
│ ├── 05b_dml.py # → results/psm_ddml.tex Panel B
│ ├── 06_measures.py # → results/measures.tex
│ ├── 07_channel.py # → results/channel{1,2,3}.tex
│ ├── 08_hetero.py # → results/heterogeneity{1,2,3}.tex
│ ├── 09_robust.py # → results/{addctr,specification,sampling,bunching-did}.tex
│ ├── 10_psm.py # → results/psm_ddml.tex Panel A + results/psm-pre-post.pdf
│ ├── 11_placebo.py # → results/placebo.pdf [DID 专用，非 DID 项目不生成此脚本]
│ └── 12_further.py # → results/further.tex (+ results/specurve.pdf)
├── results/ # 最终交付物：.tex 表格 + .pdf/.png 图像 全部放此处
└── main.tex # 正文入口，preamble 照抄 template/main.tex；\input{results/xxx.tex}> main.tex 生成规则： > > 创建项目时从 template/main.tex 照抄三类块到 {项目名}/main.tex： > 1. Preamble：documentclass / usepackage / 自定义宏 / 页面设置 / \def\sym{...} > 2. References 块：参考文献样式（\bibliographystyle{...} + \bibliography{...} 或 thebibliography 环境）。\bibliographystyle{} 不照抄 template，而是按 00_proposal.md YAML 中的 bibliography_style 填入（如 JFE → \bibliographystyle{jfe}、JCF → \bibliographystyle{elsarticle-num}、CER → \bibliographystyle{elsarticle-num}、JAR → \bibliographystyle{jar}，详见 §3.4.4）。 > 3. Appendix 块：\appendix 起始指令、附录标题样式、附录表/图的编号重置 \setcounter{table}{0}\renewcommand{\thetable}{A\arabic{table}} 等 > > 此外，Section 骨架（\section{...} 命名与顺序）按 00_proposal.md YAML 中的 section_skeleton 字段渲染（不同期刊骨架不同，见 §3.4.4），不再机械照抄下文的"Introduction / Literature Review / Research Design / Empirical Results / Conclusion"五段式。 > > main.tex 整体结构（严格按此顺序）： > > latex > <Preamble> % 来自 template/main.tex > \begin{document} > \maketitle > \begin{abstract}\end{abstract} % 摘要 body 留空 > > % ★ 以下 \section / \subsection 顺序与命名按 §3.4.4 的 section_skeleton 替换； > % 每个 \section / \subsection 下 body 一律留空（不写 prose）。 > % 这是默认 JFE-style 骨架，其他期刊（JAR / JF / MS / CER…）按 §3.4.4 替换。 > > \section{Introduction} > > \section{Background and Hypothesis Development} > \subsection{China's Institutional Setting} > \subsection{Hypothesis Development} > > \section{Data and Sample} > \subsection{Sample Construction} > \subsection{Variable Definitions} > \subsection{Summary Statistics} > > \section{Empirical Strategy} > \subsection{Baseline Specification} > \subsection{Identification Strategy} % 含 IV / DID / RDD / DML 等 > > \section{Empirical Results} > \subsection{Baseline Results} > \subsection{Parallel Trends and Dynamic Effects} % ★ 仅 DID 项目保留；非 DID 删除 > \subsection{Endogeneity Concerns} % IV / DML / Heckman > \subsection{Mechanism Analysis} > \subsection{Heterogeneity Analysis} > \subsection{Further Analysis} > > \section{Robustness Checks} % 正文只点题；完整稳健性表放附录 > \subsection{Alternative Measures} > \subsection{Alternative Specifications} > \subsection{Subsample Analyses} > \subsection{Placebo Tests} % ★ 仅 DID 项目保留；非 DID 删除 > > \section{Conclusion} > > %—— References（照抄 template/main.tex 的参考文献块格式）—— > \bibliographystyle{...} > \bibliography{references} > > %================================================================ > % 正文图（Main-text Figures：图在前） > %================================================================ > \clearpage > \begin{figure}[htbp]\centering > \includegraphics[width=0.9\textwidth]{results/parallel.pdf} > \caption{Parallel Trends}\label{fig:parallel} > \end{figure} > % 正文图依次（★ 仅 DID 项目）：parallel / csdid-figure / estimator / placebo > % 非 DID 项目：本节不出现 parallel / csdid-figure / estimator / placebo，仅保留 §4 主线第 12 步可选图 > > %================================================================ > % 正文表（Main-text Tables：表在后；内生性紧跟 baseline） > %================================================================ > \clearpage > \input{results/sum_stat.tex} % 描述性统计 > \input{results/baseline.tex} % 基准回归（定海神针） > \input{results/iv.tex} % ★ 内生性 —— 紧跟 baseline > \input{results/heterogeneity1.tex} % 异质性 1（异质性 先于 机制） > \input{results/heterogeneity2.tex} % 异质性 2 > \input{results/heterogeneity3.tex} % 异质性 3 > \input{results/channel1.tex} % 机制 1 > \input{results/channel2.tex} % 机制 2 > \input{results/channel3.tex} % 机制 3 > \input{results/further.tex} % 进一步分析 > > %================================================================ > % Appendix（附录；稳健性表格 + 附加图；格式照抄 template/main.tex） > %================================================================ > \appendix > \section{Robustness Checks} > > %—— 附录图 —— > \begin{figure}[htbp]\centering > \includegraphics[width=0.9\textwidth]{results/psm-pre-post.pdf} > \caption{PSM Balance: Pre vs. Post}\label{fig:psm-balance} > \end{figure} > \begin{figure}[htbp]\centering > \includegraphics[width=0.9\textwidth]{results/specurve.pdf} > \caption{Specification Curve}\label{fig:specurve} > \end{figure} > > %—— 附录表（变量定义 + 样本构造 + 稳健性）—— > \input{results/variables.tex} % ★ 变量定义表（附录首张） > \input{results/sample.tex} % ★ 样本构造与分布（Panel A 构造 / Panel B 分布） > \input{results/measures.tex} % 替换因变量度量 > \input{results/addctr.tex} % 附加控制变量 > \input{results/specification.tex} % 高维交互 FE > \input{results/sampling.tex} % 样本筛选稳健性 > \input{results/bunching-did.tex} % Bunching-DID 稳健 > \input{results/psm_ddml.tex} % PSM + DML（Panel A / Panel B） > > \end{document} > > > 强制规则： > > 1. 正文章节（Introduction ~ Conclusion）不嵌入实物表图，只用 \ref{tab:baseline} / \ref{fig:parallel} 引用。 > 2. References 之后依次放：正文 Figures → 正文 Tables → Appendix。 > 3. 正文 Figures 在前，正文 Tables 在后（顺序不可颠倒）。 > 4. 正文表排列顺序（固定）： > > sum_stat → baseline → iv（内生性） > → heterogeneity1/2/3 → channel1/2/3 → further > > 内生性表（iv.tex）紧跟在 baseline.tex 之后；如有多张内生性表（如额外的 IV / 自然实验），也放在 baseline 与 heterogeneity 之间连续排列。异质性在机制之前。 > 5. 附录表排列顺序（固定）： > > variables（变量定义） → sample（样本构造与分布） > → measures → addctr → specification → sampling → bunching-did → psm_ddml > > 附录首张为 variables.tex（变量定义），紧随其后为 sample.tex（样本构造 Panel A + 样本分布 Panel B），然后是全部稳健性检验表。 > 6. 附录图（如 psm-pre-post.pdf、specurve.pdf）与附录表一同放在 \appendix 之后；正文图只保留 parallel / csdid-figure / estimator / placebo 这类支撑主结论的图（这四张图仅 DID 项目出现，非 DID 项目正文区不放图）。 > 7. 附录编号格式（Table A1 / Figure A1）由 template/main.tex 附录块中定义的 \setcounter + \renewcommand{\thetable}{A\arabic{table}} 等宏控制，严格照抄不自行发明。 > 8. References 块格式同样严格照抄 template/main.tex。 > 9. 不建 paper/ 子目录；所有 \input / \includegraphics 路径以 results/xxx 开头（相对于 main.tex 所在目录）。 > 10. 正文 body 一律留空：main.tex 正文章节区只填写 \section{...} 与 \subsection{...} 标题（按 §3.4.4 section_skeleton 调整命名），每个 \section / \subsection 之下不写任何 prose——正文 prose 由研究者后续撰写。\begin{abstract}\end{abstract} 同样留空。 > 11. 不为任何章节单独建 .tex 文件：所有 \section / \subsection 标题直接写在 main.tex 内，禁止创建 introduction.tex / data.tex / results.tex / conclusion.tex 等"章节体"分文件。\input{} 只用于 results/*.tex（表格）。 > 12. 安慰剂相关章节 / 图 / 表条件性出现：\subsection{Placebo Tests}、results/placebo.pdf、\subsection{Parallel Trends and Dynamic Effects}、results/parallel.pdf / csdid-figure.pdf / estimator.pdf 这五项仅 DID / Staggered DID / PSM-DID 项目出现；纯 Panel FE+IV / RDD / DML / 合成控制项目从 main.tex 中删除上述章节/图引用。
最终交付物（仅两类）：
code/ 目录下全部 .py 脚本，可从原始数据一键跑通到所有表图。results/ 下的 .tex（LaTeX 表格，符合 template/ 格式）+ .pdf 与 .png（双份导出的图像）。表格与图像统一放入 results/，不再单独建 figures/ 目录。另外附带 {项目名}/main.tex（preamble 照抄 template/main.tex，正文依次 \input{results/xxx.tex} 并 \includegraphics{results/xxx.pdf}），与 code/ 并列放在项目根，不嵌入 paper/ 子目录。
不交付 Word / Markdown 报告；不交付 Stata .do 文件；不交付中间数据集。
00_proposal.md。1.5. 🆕 启动后第二步是目标期刊推荐（§3.4），不可跳过、不可代选：CONTRACT 九字段补齐后，必须按 §3.4.3 输出格式呈现 J1]–J5] 5 本英文目标期刊（含 4 维星级 + Why it fits + Editorial preference + bib style），显式停下询问研究者；在收到选择前不进入项目骨架生成。研究者选定后立即将 target_journal / bibliography_style / writing_preferences YAML 块写入 00_proposal.md 顶部，后续 render_main_tex() 与各 render_*_tex() 均以此为准。
DECISION_LOG.md。template/*.tex，比对列数、列头、FE 行、Notes 段，再渲染。rule/ 中的规则是强制的；若研究者要求偏离，需要研究者明确书面说明（例如"审稿人要求改报告标准误"）。rule/ 中的 Stata 代码只作为"输出格式参照"。asset/ rule/ template/ 三个文件夹只读，不写入、不修改、不重命名。所有研究输出只放入 {项目名}/ 子目录。rule/回归表写作规范总结.docx 第九部分的"AI 写作检查清单"（三线表、控制变量全展示、t 值括号、\sym{} 星号、FE 行、聚类层级、表注完整）。code/*.py + results/*.tex + results/*.pdf|png（表与图同在 results/）；不产出额外报告、摘要、PPT、Word。\noindent{\justifying{...}}）用英文；中英混排中英之间空一格、中文标点用全角。00_proposal.md 第 (4) 条识别策略为 DID / Staggered DID / PSM-DID 时执行 §4 第 11 步安慰剂检验（11_placebo.py + results/placebo.pdf + \subsection{Placebo Tests} + 正文 placebo 图引用）；当识别策略为 Panel FE+IV / RDD / DML / 合成控制 时整体跳过安慰剂——code/ 不生成 11_placebo.py，results/ 不出现 placebo.pdf，main.tex 中不出现 \subsection{Placebo Tests} 与对应 figure 块。平行趋势 / CS-DID / estimator 三图同样仅 DID 项目出现。\section{...} 与 \subsection{...} 命名按目标期刊 section_skeleton 填齐，下面不写任何 prose（一行空行即可）；\begin{abstract}\end{abstract} 也留空。研究者后续自行撰写正文。skill 完成后展示 main.tex 行数应与 §9 模板示例相当（章节标题层级 + \input{results/*} + figure 块，无段落 prose）。introduction.tex / background.tex / data.tex / methodology.tex / results.tex / conclusion.tex 之类的 section-body 分文件。所有正文 Section / Subsection 标题直接写在 main.tex 内；\input{...} 仅用于 results/*.tex（表格）。> 研究计划书 > 题目：数字经济与企业融资约束 > 假设：城市数字经济发展 (X = DigiEcon) 降低本地企业融资约束 (Y = SA/KZ index) > 预期：X 对 Y 的系数显著为负（p<0.05），渠道为"信息不对称下降 + 信贷可得性上升"， > 异质性上非国企、中小企业效应更强 > 识别：Panel FE + IV（IV: 光缆端口历史存量 × 时间 / Broadband China 试点） > 样本：A 股非金融上市公司，2011–2023 > 数据：优先在 asset/ 检索"数字经济指数""宽带中国""融资约束"；asset/ 未覆盖的（如 > SA/KZ 指数、公司基本面）先看 asset/MCP.docx 的 CSMAR-MCP 能否直取； > 仍未覆盖的（如光缆端口历史存量）从统计年鉴 / 手工整理补充 > 机制：M1 = 信息不对称（分析师关注/盈余同步性）；M2 = 信贷可得（新增长贷/短贷比） > 异质性：产权性质（SOE/非 SOE）；规模（大/中/小）；地区（东/中/西）
提交后 skill 立即：
数字经济_融资约束/00_proposal.md（CONTRACT 九字段 + 顶部 target_journal: JFE YAML 块）\bibliographystyle{jfe} 与 Section 骨架写入 {项目名}/main.texcode/ 全套 Python + results/*.tex 全套表 + results/*.pdf|png 全套图（表与图同在 results/）+ DECISION_LOG.md 追溯记录Other measured skills in the registry, with their headline benchmark lift.