第 21 章 AI 智能体与经济学实证研究

面向经管学生、研究者与从业者的 AI 智能体设计教材

作者

李学恒、林建浩、严翊歆

发布于

2026-05-11

配图：经济学实证研究八阶段与 AI 分工
阅读指南
  1. 理解 经济学实证研究的八阶段工作流，识别各阶段 AI 自主度与人在回路节点
  2. 应用 为具体实证问题搭建符合 AEA DCAS 规范的 Claude Code 项目目录
  3. 分析 Callaway-Sant’Anna 估计量与 TWFE 在渐进采纳情景下给出不同结果的原因
  4. 评估 判断哪些实证任务适合交给 AI、哪些不适合，并给出理由

你手上有一批 QCEW 季度数据，要做各州最低工资对低薪就业的双重差分分析。光是从 BLS 批量下载、清洗面板、平衡样本这几步，就够耗掉一整周。主回归跑完还要换估计量、换样本、换控制变量，稳健性矩阵轻松膨胀到几十个规范。这些工作不需要创造性判断，但每一步都容易出错、耗时巨大。

苏黎世大学 Yanagizawa-Drott 团队的 APEP 项目把这条路推到了极端：让 AI 智能体全自动完成从研究问题到成稿的全流程，截至 2026 年 3 月已生成 592 篇以上的经济学论文。Goldsmith-Pinkham 分析后发现，其中 73.8% 的论文使用 DID，远高于传统 NBER 工作论文的比例。全自动路线验证了技术可行性，但也暴露了关键局限：AI 倾向于选择即插即用的方法，缺乏研究者对识别策略的判断力。

本章走一条不同的路。Goldsmith-Pinkham 在 Markus Academy 系列中把 AI 定位为编辑和思考伙伴，而非判断外包工具。本章遵循同一原则：机械执行交给智能体，识别策略和研究设计留给你。你会看到如何把一份实证论文的完整流水线，拆解为 Claude Code 中可复用的项目结构、Skills 和子代理。