21.1 实证研究的八阶段与 AI 的定位

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

想象你第一次想自己做一篇实证论文。你选定了一个问题——比如最低工资上调是否减少了低薪就业。打开教材里的复现包，你会发现一篇标准 DID（双重差分）论文背后的机械工作量惊人：从公开数据库批量下载并清洗面板（同一批个体在多年里的观测数据），4 到 6 周；调试主回归并设置固定效应（控制不随时间变化的个体特征和不随个体变化的时间冲击）；把稳健性矩阵几十种规范（同一研究问题换不同模型设定再跑一遍）挨个跑一遍，再花 2 到 3 周；最后把表格图形排成期刊格式，又是数日。这些工作几乎不需要研究判断，但每一步都容易出错。

Brynjolfsson 等人 (2025, QJE) 的田野实验给了一个让人意外的发现：AI 辅助带来的生产率提升集中在机械性任务，新手与低技能工作者收益最大。换句话说，最受益于 AI 智能体的，恰恰是第一次做实证项目的本科生和初级研究助理。本章假设你具备本科经济学与统计基础（会 OLS、知道系数和 p 值），但不要求你学过计量经济学高级专题，也不要求你会写 Stata 代码——所有脚本都由 Claude Code 在你给出自然语言指令后生成。本章涉及的因果识别术语（如 DID、固定效应、聚类标准误）会在第一次出现时给出通俗注解。这套分工下，研究者需要保留两件事：在每个判断节点把研究方向把住，在脚本完成后看懂结果。

什么是实证研究

实证研究用真实世界的数据检验经济理论或量化政策效应。它的最终产物是一个可被独立验证的因果或描述性结论，通常以一张主表加几张稳健性表的形式出现在论文里。

词条：实证研究

定义：用真实观测数据检验经济命题、量化经济关系的研究范式。

与理论研究的区别：理论研究用数学推导发展新命题，实证研究用数据检验命题在现实中是否成立。

与模拟研究的区别：模拟研究（如 DSGE 校准）用虚拟数据测试模型机制，实证研究用真实观测数据识别实际效应。

实证研究的常见问题可以粗分三类。因果识别关注某个原因对某个结果的影响，要求排除混淆因素，例如最低工资上调是否减少了低薪就业。描述性证据记录现实中的规律和趋势，不主张因果，例如 2000 年到 2020 年中国制造业的城乡工资差距。预测基于已有数据预测未观察到的结果，例如用企业特征预测下季度违约概率。三类问题在论文中常常混合出现，但识别策略（怎么从数据里把因果效应识别出来）和评估标准截然不同。本章聚焦因果识别类问题——这也是经济学顶刊的主流范式。

速览：经济学因果识别四大方法

DID（双重差分）：比较”接受政策的一组”在政策前后的变化，再减去”没接受政策的一组”在同期的变化，把政策真正带来的影响隔离出来。典型应用：最低工资立法对就业的影响，处理时点不同的州互为对照
IV（工具变量）：当处理变量本身受到无法观测因素干扰（计量里称”内生性”）时，找一个只影响处理、不直接影响结果的外部变量当中介。典型应用：用越战征兵抽签号研究服役对工资的影响
RDD（断点回归）：在某个阈值两侧的单元几乎只在是否受处理上有差异，比较两侧结果。典型应用：超过某分数线获得奖学金对毕业率的影响
SCM（合成控制）：用多个没受政策影响的单元加权平均构造一个”虚拟对照”（即如果没有政策本来会发生什么）。典型应用：用其他州合成”没有禁烟的加州”，估计加州禁烟对烟草销量的影响

四种方法的细节都超出本章范围，请参阅计量经济学教材。本章只要你认得这四个名字、知道大致用在哪种问题上即可。全章会以 DID 为主线展开。

实证研究的八阶段工作流

实证研究从来不是一条直线，但在大多数顶刊的复现包里能辨认出一条相对稳定的操作序列。下表把它整理成八个阶段，并对每阶段标注两个维度：AI 自主度（Claude Code 当前能做到什么程度）和 HITL 节点（哪些决定必须由人完成）。表里出现的”频率对齐”指把日度/月度/季度数据统一到同一时间粒度，“面板平衡”指让每个个体在每个时期都有观测，“稳健性矩阵”指把主回归换不同设定再跑出来的多列结果。

阶段	内容	AI 自主度	HITL 节点
1. 研究问题与识别假设	确定因果逻辑、选择识别策略	低（辅助）	必须
2. 数据拉取	API 调用、批量下载、格式解析	高	否
3. 数据清洗	缺失处理、异常检测、频率对齐、面板平衡	中	样本规则需确认
4. 描述统计与可视化	汇总表、分布图、时序图	高	否
5. 主回归	因果识别方法实现、系数提取	中	规范需确认
6. 稳健性检验矩阵	替换估计量、控制变量、样本范围	高	矩阵边界需确认
7. 表格图形生成	LaTeX/RTF 输出、期刊格式	高	否
8. 复现包组织	目录结构、README、数据说明	高	结论措辞需确认

词条：HITL（Human-in-the-Loop，人在回路）

在自动化流程的关键节点暂停，由人确认或修改后再继续执行的协作模式。本章所有 Skill 和子代理在 HITL 节点会主动停下来等你确认，不会自作主张推进到下一步。

四个阶段值得多说几句。第 1 阶段的”低自主度”不是 AI 没用，而是识别假设的选择必须由你主导：为什么这个问题适合 DID 而不是 RDD？处理组定义为哪批州合理？这类判断 AI 只能辅助梳理，最终拍板必须是研究者。

第 3 阶段是混合区。AI 写得出清洗脚本，但”哪些样本纳入、哪些剔除”是研究设计问题，必须 HITL 确认，否则你的回归样本和描述统计样本可能在不知不觉中错位。

第 5 阶段的 HITL 体现在主回归规范上：固定效应结构（吸收哪些维度的不可观测差异）、聚类层级（标准误怎么聚类才能反映真实的不确定性）、控制变量集（放进回归的解释变量），都需要研究者亲自审定。主回归指的是论文主表第 1 列那一组用基准规范跑出的核心估计结果。

第 6 阶段的”矩阵边界”指你愿意把稳健性扩展到哪些维度。稳健性矩阵就是在主回归基础上系统替换估计量、控制变量、样本范围后批量重跑得到的多列结果，AI 可以并行跑完整矩阵，前提是你说清楚边界。

第 2、4、7、8 阶段 AI 自主度最高。共同特点是目标清晰、验证容易：拉到数据就知道格式对不对，画出分布图就看得出有没有异常，跑出 LaTeX 表格就知道列对不对得上。把这些工作交给智能体，研究者的时间才能集中到第 1、3、5、6 阶段的判断节点上。

人和 AI 在实证流程中的分工

Korinek (2024, JEL) 的综述把生成式 AI 在经济研究中的用途分为六类：创意激发、写作辅助、背景检索、数据分析、编程实现、数学推导。本章只覆盖其中两类——数据分析和编程实现。它们占实证研究总耗时的大头，也是 Claude Code 当前最擅长的领域。这一选择背后有三条分工原则。

第一条：识别假设、样本定义、结论措辞由研究者主导。 Korinek (2025) 反复强调：多智能体系统擅长承担子任务分工，但研究设计的顶层决定不能外包。Ludwig 等人 (2025) 进一步指出，用 LLM”分析”数据得到的是预测性相关，因果识别需要研究者对识别假设承担责任，不能由模型代劳。识别假设选错了，后面所有估计的可信度都归零——这是研究者无法回避的专业判断。

第二条：数据拉取、稳健性矩阵、表格图形排版可以大量交给 AI。 这三类工作目标明确、验证容易，正是 Brynjolfsson 等人观察到生产率提升最显著的机械性任务。Goldsmith-Pinkham 在 Princeton Markus Academy 系列演示了用 Claude Code 完成 Census 数据管线、SEC EDGAR Web 爬取、HMDA 18 年面板的大数据集处理，自述日常约 90% 的工作通过 Claude Code 完成。Callaway-Sant’Anna 估计量 (csdid) 的作者 Sant’Anna 在个人网站公开了配置，采用多子代理加质量门禁的工作流。两位活跃的计量经济学家从不同方向印证了这条路径的可行性。

第三条：数据清洗与主回归规范是混合区，必须设 HITL 节点。 清洗脚本 AI 写得很快，但”删哪些异常值、保留哪些样本”是关于研究设计的判断；主回归的固定效应结构和聚类层级，AI 可以给出常见做法，但最终规范必须研究者亲自审定。

AI 的方法选择偏向

苏黎世大学 Yanagizawa-Drott 团队的 APEP 项目让 AI 全自动写论文，截至 2026 年 3 月已生成 592 篇以上经济学论文。Goldsmith-Pinkham 分析后发现，其中 73.8% 的论文使用 DID，远高于 NBER（美国国家经济研究局）工作论文中的对应比例。AI 倾向于选”即插即用”的方法，回避真正需要领域判断的识别设计——这恰恰反衬了为什么顶层研究设计不能外包。

Claude Code 四件套与实证流程的对应

实证项目并不是把 Claude Code 的四件套机械装上就能跑。每个部件在实证情境里都有自己的特殊用法。下表给出对应关系。

部件	在实证项目中的特殊用法	对应八阶段
CLAUDE.md	锁 Stata 版本、固定随机种子、规定变量命名约定、声明数据路径只读、写入 AI 使用披露条款	全程约束（阶段 1-8）
Skills	把每个流程模块封装为可触发指令：`data-clean`、`did-estimate`、`robustness`、`replication-pack`	阶段 2-3、5、6、8
子代理	并行跑稳健性矩阵：`dataprep-agent` → `estimator-agent` → `reviewer-agent` 的分工	阶段 3、5-6、7-8
Hooks	拦截未含 `set seed` 的新 do 文件、扫描聚类标准误、强制主回归后等审阅	阶段 5-7 质量门禁

CLAUDE.md 在实证项目里比一般工程项目更重，原因是复现要求高（Stata 版本不同结果可能不同）、学术诚信红线多（随机种子、样本边界改动都必须留痕）。AEA DCAS v1.0 是美国经济学会的数据与代码可用性政策，要求复现包包含原始数据获取脚本、清洗脚本、按运行顺序编号的分析脚本和 README，目标是让第三方研究者能重现所有表格与图形。本章项目骨架以 DCAS 为基线。最简化的顶层结构如下。

min-wage-did/
├── CLAUDE.md            # 项目规则：路径、种子、版本、披露
├── data/                # 原始数据 + 清洗后面板（分层管理）
├── code/                # 按运行顺序编号的脚本
├── output/              # 表格、图形产出
├── .claude/             # Skills、子代理、Hooks、规则文件配置
└── README.md            # AEA 格式复现说明

本章的案例与不涉及内容

本章的所有机制都落在一个具体案例上：各州最低工资提高是否减少了低薪就业岗位数量？这是 Cengiz 等人 (2019, QJE) 的论文主题，引用超过千次。DID 的识别逻辑是双重差分：先算处理组政策前后结果变量的变化（第一重差），再减去控制组同期的变化（第二重差），净出不受基础时间趋势干扰的政策效应——本案例采用的就是这一识别策略。选择这个案例有三个理由：数据公开（QCEW 可从 BLS 批量下载，复现包可分发），方法经典（渐进 DID——不同州在不同年份接受政策的多期 DID——覆盖了当代因果推断的主要工具），结论有争议（政策含义直接，研究者判断空间大）。

本章不覆盖统计推导、写作修辞和 RAG 基础设施。读者须已掌握 CLAUDE.md、Skills、子代理、Hooks 的基本用法。本章的任务是把这些组件组合成一套能真正跑实证研究的工作流。

--- title: "21.1 实证研究的八阶段与 AI 的定位" --- ![配图：经济学实证研究八阶段与 AI 分工](images/img_01_workflow.png) 想象你第一次想自己做一篇实证论文。你选定了一个问题——比如最低工资上调是否减少了低薪就业。打开教材里的复现包，你会发现一篇标准 DID（双重差分）论文背后的机械工作量惊人：从公开数据库批量下载并清洗面板（同一批个体在多年里的观测数据），4 到 6 周；调试主回归并设置固定效应（控制不随时间变化的个体特征和不随个体变化的时间冲击）；把稳健性矩阵几十种规范（同一研究问题换不同模型设定再跑一遍）挨个跑一遍，再花 2 到 3 周；最后把表格图形排成期刊格式，又是数日。这些工作几乎不需要研究判断，但每一步都容易出错。 Brynjolfsson 等人 (2025, QJE) 的田野实验给了一个让人意外的发现：AI 辅助带来的生产率提升集中在机械性任务，新手与低技能工作者收益最大。换句话说，最受益于 AI 智能体的，恰恰是第一次做实证项目的本科生和初级研究助理。本章假设你具备本科经济学与统计基础（会 OLS、知道系数和 p 值），但**不要求你学过计量经济学高级专题，也不要求你会写 Stata 代码**——所有脚本都由 Claude Code 在你给出自然语言指令后生成。本章涉及的因果识别术语（如 DID、固定效应、聚类标准误）会在第一次出现时给出通俗注解。这套分工下，研究者需要保留两件事：在每个判断节点把研究方向把住，在脚本完成后看懂结果。 ## 什么是实证研究实证研究用真实世界的数据检验经济理论或量化政策效应。它的最终产物是一个可被独立验证的因果或描述性结论，通常以一张主表加几张稳健性表的形式出现在论文里。 ::: {.callout-note} ## 词条：实证研究 **定义**：用真实观测数据检验经济命题、量化经济关系的研究范式。 **与理论研究的区别**：理论研究用数学推导发展新命题，实证研究用数据检验命题在现实中是否成立。 **与模拟研究的区别**：模拟研究（如 DSGE 校准）用虚拟数据测试模型机制，实证研究用真实观测数据识别实际效应。 ::: 实证研究的常见问题可以粗分三类。**因果识别**关注某个原因对某个结果的影响，要求排除混淆因素，例如最低工资上调是否减少了低薪就业。**描述性证据**记录现实中的规律和趋势，不主张因果，例如 2000 年到 2020 年中国制造业的城乡工资差距。**预测**基于已有数据预测未观察到的结果，例如用企业特征预测下季度违约概率。三类问题在论文中常常混合出现，但识别策略（怎么从数据里把因果效应识别出来）和评估标准截然不同。本章聚焦因果识别类问题——这也是经济学顶刊的主流范式。 ::: {.callout-note} ## 速览：经济学因果识别四大方法 - **DID（双重差分）**：比较"接受政策的一组"在政策前后的变化，再减去"没接受政策的一组"在同期的变化，把政策真正带来的影响隔离出来。典型应用：最低工资立法对就业的影响，处理时点不同的州互为对照 - **IV（工具变量）**：当处理变量本身受到无法观测因素干扰（计量里称"内生性"）时，找一个只影响处理、不直接影响结果的外部变量当中介。典型应用：用越战征兵抽签号研究服役对工资的影响 - **RDD（断点回归）**：在某个阈值两侧的单元几乎只在是否受处理上有差异，比较两侧结果。典型应用：超过某分数线获得奖学金对毕业率的影响 - **SCM（合成控制）**：用多个没受政策影响的单元加权平均构造一个"虚拟对照"（即如果没有政策本来会发生什么）。典型应用：用其他州合成"没有禁烟的加州"，估计加州禁烟对烟草销量的影响 ::: 四种方法的细节都超出本章范围，请参阅计量经济学教材。本章只要你认得这四个名字、知道大致用在哪种问题上即可。全章会以 DID 为主线展开。 ## 实证研究的八阶段工作流实证研究从来不是一条直线，但在大多数顶刊的复现包里能辨认出一条相对稳定的操作序列。下表把它整理成八个阶段，并对每阶段标注两个维度：AI 自主度（Claude Code 当前能做到什么程度）和 HITL 节点（哪些决定必须由人完成）。表里出现的"频率对齐"指把日度/月度/季度数据统一到同一时间粒度，"面板平衡"指让每个个体在每个时期都有观测，"稳健性矩阵"指把主回归换不同设定再跑出来的多列结果。 | 阶段 | 内容 | AI 自主度 | HITL 节点 | |:---|:---|:---:|:---:| | 1. 研究问题与识别假设 | 确定因果逻辑、选择识别策略 | 低（辅助） | 必须 | | 2. 数据拉取 | API 调用、批量下载、格式解析 | 高 | 否 | | 3. 数据清洗 | 缺失处理、异常检测、频率对齐、面板平衡 | 中 | 样本规则需确认 | | 4. 描述统计与可视化 | 汇总表、分布图、时序图 | 高 | 否 | | 5. 主回归 | 因果识别方法实现、系数提取 | 中 | 规范需确认 | | 6. 稳健性检验矩阵 | 替换估计量、控制变量、样本范围 | 高 | 矩阵边界需确认 | | 7. 表格图形生成 | LaTeX/RTF 输出、期刊格式 | 高 | 否 | | 8. 复现包组织 | 目录结构、README、数据说明 | 高 | 结论措辞需确认 | ::: {.callout-note} ## 词条：HITL（Human-in-the-Loop，人在回路）在自动化流程的关键节点暂停，由人确认或修改后再继续执行的协作模式。本章所有 Skill 和子代理在 HITL 节点会主动停下来等你确认，不会自作主张推进到下一步。 ::: 四个阶段值得多说几句。第 1 阶段的"低自主度"不是 AI 没用，而是识别假设的选择必须由你主导：为什么这个问题适合 DID 而不是 RDD？处理组定义为哪批州合理？这类判断 AI 只能辅助梳理，最终拍板必须是研究者。第 3 阶段是混合区。AI 写得出清洗脚本，但"哪些样本纳入、哪些剔除"是研究设计问题，必须 HITL 确认，否则你的回归样本和描述统计样本可能在不知不觉中错位。第 5 阶段的 HITL 体现在主回归规范上：固定效应结构（吸收哪些维度的不可观测差异）、聚类层级（标准误怎么聚类才能反映真实的不确定性）、控制变量集（放进回归的解释变量），都需要研究者亲自审定。**主回归**指的是论文主表第 1 列那一组用基准规范跑出的核心估计结果。第 6 阶段的"矩阵边界"指你愿意把稳健性扩展到哪些维度。**稳健性矩阵**就是在主回归基础上系统替换估计量、控制变量、样本范围后批量重跑得到的多列结果，AI 可以并行跑完整矩阵，前提是你说清楚边界。第 2、4、7、8 阶段 AI 自主度最高。共同特点是目标清晰、验证容易：拉到数据就知道格式对不对，画出分布图就看得出有没有异常，跑出 LaTeX 表格就知道列对不对得上。把这些工作交给智能体，研究者的时间才能集中到第 1、3、5、6 阶段的判断节点上。 ## 人和 AI 在实证流程中的分工 Korinek (2024, JEL) 的综述把生成式 AI 在经济研究中的用途分为六类：创意激发、写作辅助、背景检索、数据分析、编程实现、数学推导。本章只覆盖其中两类——数据分析和编程实现。它们占实证研究总耗时的大头，也是 Claude Code 当前最擅长的领域。这一选择背后有三条分工原则。 **第一条：识别假设、样本定义、结论措辞由研究者主导。** Korinek (2025) 反复强调：多智能体系统擅长承担子任务分工，但研究设计的顶层决定不能外包。Ludwig 等人 (2025) 进一步指出，用 LLM"分析"数据得到的是预测性相关，因果识别需要研究者对识别假设承担责任，不能由模型代劳。识别假设选错了，后面所有估计的可信度都归零——这是研究者无法回避的专业判断。 **第二条：数据拉取、稳健性矩阵、表格图形排版可以大量交给 AI。** 这三类工作目标明确、验证容易，正是 Brynjolfsson 等人观察到生产率提升最显著的机械性任务。Goldsmith-Pinkham 在 Princeton Markus Academy 系列演示了用 Claude Code 完成 Census 数据管线、SEC EDGAR Web 爬取、HMDA 18 年面板的大数据集处理，自述日常约 90% 的工作通过 Claude Code 完成。Callaway-Sant'Anna 估计量 (`csdid`) 的作者 Sant'Anna 在个人网站公开了配置，采用多子代理加质量门禁的工作流。两位活跃的计量经济学家从不同方向印证了这条路径的可行性。 **第三条：数据清洗与主回归规范是混合区，必须设 HITL 节点。** 清洗脚本 AI 写得很快，但"删哪些异常值、保留哪些样本"是关于研究设计的判断；主回归的固定效应结构和聚类层级，AI 可以给出常见做法，但最终规范必须研究者亲自审定。 ::: {.callout-warning} ## AI 的方法选择偏向苏黎世大学 Yanagizawa-Drott 团队的 APEP 项目让 AI 全自动写论文，截至 2026 年 3 月已生成 592 篇以上经济学论文。Goldsmith-Pinkham 分析后发现，其中 73.8% 的论文使用 DID，远高于 NBER（美国国家经济研究局）工作论文中的对应比例。AI 倾向于选"即插即用"的方法，回避真正需要领域判断的识别设计——这恰恰反衬了为什么顶层研究设计不能外包。 ::: ## Claude Code 四件套与实证流程的对应实证项目并不是把 Claude Code 的四件套机械装上就能跑。每个部件在实证情境里都有自己的特殊用法。下表给出对应关系。 | 部件 | 在实证项目中的特殊用法 | 对应八阶段 | |:---|:---|:---| | **CLAUDE.md** | 锁 Stata 版本、固定随机种子、规定变量命名约定、声明数据路径只读、写入 AI 使用披露条款 | 全程约束（阶段 1-8） | | **Skills** | 把每个流程模块封装为可触发指令：`data-clean`、`did-estimate`、`robustness`、`replication-pack` | 阶段 2-3、5、6、8 | | **子代理** | 并行跑稳健性矩阵：`dataprep-agent` → `estimator-agent` → `reviewer-agent` 的分工 | 阶段 3、5-6、7-8 | | **Hooks** | 拦截未含 `set seed` 的新 do 文件、扫描聚类标准误、强制主回归后等审阅 | 阶段 5-7 质量门禁 | CLAUDE.md 在实证项目里比一般工程项目更重，原因是复现要求高（Stata 版本不同结果可能不同）、学术诚信红线多（随机种子、样本边界改动都必须留痕）。AEA DCAS v1.0 是美国经济学会的数据与代码可用性政策，要求复现包包含原始数据获取脚本、清洗脚本、按运行顺序编号的分析脚本和 README，目标是让第三方研究者能重现所有表格与图形。本章项目骨架以 DCAS 为基线。最简化的顶层结构如下。 ```txt min-wage-did/ ├── CLAUDE.md # 项目规则：路径、种子、版本、披露 ├── data/ # 原始数据 + 清洗后面板（分层管理） ├── code/ # 按运行顺序编号的脚本 ├── output/ # 表格、图形产出 ├── .claude/ # Skills、子代理、Hooks、规则文件配置 └── README.md # AEA 格式复现说明 ``` ## 本章的案例与不涉及内容本章的所有机制都落在一个具体案例上：各州最低工资提高是否减少了低薪就业岗位数量？这是 Cengiz 等人 (2019, QJE) 的论文主题，引用超过千次。**DID 的识别逻辑是双重差分：先算处理组政策前后结果变量的变化（第一重差），再减去控制组同期的变化（第二重差），净出不受基础时间趋势干扰的政策效应**——本案例采用的就是这一识别策略。选择这个案例有三个理由：数据公开（QCEW 可从 BLS 批量下载，复现包可分发），方法经典（渐进 DID——不同州在不同年份接受政策的多期 DID——覆盖了当代因果推断的主要工具），结论有争议（政策含义直接，研究者判断空间大）。本章不覆盖统计推导、写作修辞和 RAG 基础设施。读者须已掌握 CLAUDE.md、Skills、子代理、Hooks 的基本用法。本章的任务是把这些组件组合成一套能真正跑实证研究的工作流。