附录 J — 总览与复现指引

本组是初级班的扩展案例,兑现大纲承诺的「课后复现文档 + 中文精要 + 方法讲义」。它以一篇顶刊论文为对象,带你在课后用 AI 走一遍「读懂 → 复现 → 迁移」的完整流程。

Akcigit, U., Grigsby, J., Nicholas, T., & Stantcheva, S. (2022). Taxation and Innovation in the Twentieth Century. The Quarterly Journal of Economics, 137(1), 329–385. Link (rep), PDF, Google. 复现包:Harvard Dataverse。

本组定位:进阶 · 课后自学 · 成品观摩

这篇论文用到合成控制、高维固定效应、事件研究、长差分、分布滞后 (ARDL) 长期效应等超出初级班范围的进阶方法。所以本组明确定位为课后自学的成品观摩:目标是借助 AI 把这些方法读懂、把州级实证结果在自己电脑上复现出来,而不要求初学者去手推或掌握这些方法本身。课堂不讲这篇, 它完全留给你课后按需探索。

J.1 为什么选它作扩展案例

它和主案例 Lane (2025) 是一对很好的呼应:同样是把一个宏大的政策/制度问题 (二十世纪美国的税收如何影响创新),转化成可观察、可估计、可解释的研究设计。不同的是,它在一篇文章里集中演示了一整套实证工具——正好当作你课后”用一篇论文练全套手艺”的练习场。

本组只聚焦它的宏观部分 (州级数据实证);微观 (发明人层面) 部分依赖非公开数据,本组不展开。

J.2 这篇文章用到的计量方法 (约 8 种)

课后你可以借 AI 逐一读懂它们 (见 AI 复现与解读工作流):

面板 OLS + 高维固定效应(州、年及交互固定效应)——基准回归;
工具变量 (IV)——缓解税率的内生性;
分仓散点图 (binned scatter)——把海量样本压缩成一张能看清关系的图;
事件研究法 (event study)——看政策冲击前后的动态效应、检验平行趋势;
长差分 (long differences)——用较长时间跨度识别长期关系;
分布滞后模型 / ARDL——估计长期累积效应 (long-run cumulative effect);
聚类稳健标准误——贯穿全文的推断口径;
(微观部分) 多项 Logit 等——本组不展开。

其中前几项 (分仓散点图、事件研究、长差分、高维固定效应) 正是大纲点名、值得课后掌握的常用工具; 合成控制、ARDL 长期效应等属更进阶的观摩内容。

J.3 材料在哪 · 如何自己复现

复现材料已随仓库提供,在 examples/akcigit/ 下:

文件	说明
`Akcigit_QJE_2022.do`	整合后的主 do 文件 (州级宏观部分),你运行的就是它
`Appendix.do`	附录结果的 do
`Data/state_data.dta`	州级面板数据 (已公开流传,可再分发)
`myado/*.ado`	论文用到的两个自定义命令 (`get_elasticities`、`make_cumul_effect_plot`)
`dofile_original/`	作者最初提供的原始代码与 README,供你对照”原码 vs 整合版”

在自己的 Stata 里复现 (州级结果):

把 examples/akcigit/myado 加进 Stata 的 ado 搜索路径:adopath + "examples/akcigit/myado";
打开并运行 examples/akcigit/Akcigit_QJE_2022.do (它读取 Data/state_data.dta);
州级的基准回归、长差分、事件研究、分仓散点图等主结果即可复现;微观部分因数据非公开,只读不跑。

更推荐:让 AI 陪你复现

与其一行行啃代码,不如照 AI 复现与解读工作流的提示词,让 agent 帮你生成复现路线图、解释每段代码、整理复现日志——这正是本课程”让 AI 干活、你来把关”的又一次实战。

J.4 本组导航

导读:主要发现与识别策略——最快了解全文;
研究设计与数据构建——变量、弹性定义与数据构造;
所得税的宏观作用效果——基准回归、长差分、事件研究、长期累积效应;
AI 复现与解读工作流——用提示词 + skills 自己读懂并复现。

以下各页的中文精要由连玉君老师团队撰写打磨,本组按体例适配后收录。