1  从顶刊复现项目开始：实证研究的完整流程

本讲要点
  • 实证研究的基本链条：问题、数据、模型、结果、论文；
  • 复现项目的文件夹结构、README、主脚本和输出文件；
  • 原始数据、中间数据、分析样本、图表结果之间的关系；
  • 如何识别一个复现包的主程序、数据处理脚本和结果输出脚本；
  • 如何用 AI 辅助阅读 replication package，而不是让 AI 替代研究判断；
  • Lane (2025) 中政策行业、产业代码、工业面板、IO 表和贸易数据之间的映射关系；
  • 从复现文档中学习研究设计、数据处理和结果组织。
本讲配套材料
  • 本讲用到的 skills：skills/core/01-paper-context · skills/core/02-paper-strategy · core/03-replication-navigator · skills/core/06-repro-logger。skill 是什么、怎么安装、怎么在不同 agent(Claude Code / Codex / OpenCode) 里触发，见《AI 工作流与 skills 上手》。
  • 配套阅读笔记 (可在书内浏览，也可下载)：借助 AI 对主案例 Lane (2025) 生成的四份角度笔记——整体介绍、实证方法与识别、复现材料导览、迷你文献定位。
  • 本讲为解读型章节，以提示词与 skills 调用为主，绝大多数任务在网页版 AI 助手里即可完成，不涉及自研 Stata/Python 代码。
想运行完整 Lane 复现包？请用 GitHub Desktop 克隆

Lane 的复现包含 Git LFS 管理的大型 .dta 文件。要在本地运行，请优先用 GitHub Desktop 克隆仓库，不要下载网页 ZIP；安装、克隆与更新步骤见课件使用说明和GitHub Desktop 教程。若数据仍缺失，再按附录 C从 Dataverse 补齐。

1.1 实证研究的完整流程：先看清全局

在动手复现一篇顶刊之前，先花点时间看清：一项实证研究，到底是怎么一步步做出来的。有了这张全局图，你才明白后面复现顶刊，究竟在练什么。

1.1.1 研究问题从哪里来：现实观察与文献阅读

好的实证研究，往往不是从方法开始的，而是从一个真问题开始。问题意识通常来自两个地方：对现实的观察，和对文献的阅读。更重要的是，问题不是一次想好的，而是在不断了解制度和数据的过程中逐步长出来、逐步修正的。举两个例子 (有关这两个例子的详情，参见 连玉君，2026，因果推断与政策评估，chapter 01)。

例一：政府引导基金。 研究者最初可能只是拿到一份基金数据，自然的第一反应，是把它当成一种带政府背景的风险投资，去问：它是否促进了被投企业的创新、融资或成长？这条路能走，但未必抓住要害。等到进一步读地方政府的设立文件、管理办法和新闻报道，会发现它们反复强调本地优势产业、产业链补短板、供应链安全——于是问题可能升级为：政府引导基金是否推动了地方产业链协同与供应链韧性？同一份数据，问题却因为对政策理解的深入而变了。

图 1.1: 政府引导基金：研究问题如何形成

例二：韩国重化工业政策。 1970 年代，韩国政府在特定的安全与工业化背景下，集中扶持钢铁、造船、石化等六大产业。这段真实的历史，引出一个被经济学界争论了近半个世纪的问题：这种由政府定向扶持特定产业的产业政策，到底有没有用？ 这，正是本讲主案例 Lane (2025) 要回答的问题。

图 1.2: Lane (2025)：从政策背景到研究设计

可见，问题意识来自把现实和文献先读厚、再读薄：读厚，是把制度细节、数据口径、已有研究都了解清楚；读薄，是从中提炼出一个别人还没讲清、而你有办法回答的问题。

1.1.2 厘清问题之后：研究设计在做什么

有了问题，下一步是设计一个能回答它的比较。这一步要回答几个朴素但关键的问题：

  • 和什么比？也就是，如果没有这项政策或冲击，本来会是什么样 (这叫反事实)；
  • 谁受影响、谁没受影响，这条边界从哪里来；
  • 政策或冲击什么时候真正改变了对象面临的处境；
  • 研究对象怎么落到数据上——政策可能作用于产业，而你手上的数据是企业或地区。

这些判断，决定了后面用什么数据、构造什么变量、选什么方法。所以方法不是研究的起点，而是被问题和事实一步步逼出来的结果。 至于这些比较具体怎么做 (如何构造对照、如何估计)，是本课程后面几讲要一步步学的内容，这里先不展开。

1.1.3 从数据到结果，再到论文：实证研究的基本链条

把上面这些串起来，一项实证研究无论多复杂，都可以还原成一条链：

研究问题 → 数据 → 模型 → 结果 → 论文

  • 问题：想回答什么。它决定了后面一切——要什么数据、比较谁和谁、看什么结果。
  • 数据：用什么材料回答。原始数据往往不能直接分析，要经过清洗、合并、构造，才变成能上模型的分析样本。
  • 模型：用什么方式从数据里「读出」答案。它不是凭空选的，而是被问题和数据结构逼出来的。
  • 结果：模型算出来的图和表。
  • 论文：把上面四者组织成一个别人能看懂、能检验的叙述。

这条链最重要的一点是：五个环节是一个整体。你平时纠结的那些局部问题 (变量要不要取对数、样本量为什么变了、这张表用的什么方法)，其实都是这条链上的某一环。看懂了整条链，局部问题才有位置感。

1.1.4 研究设计是一门手艺：为什么从「临摹」顶刊入手

看清了这条链，一个自然的疑问是：既然如此，第一讲为什么不直接讲方法，而要去复现一篇论文？

因为研究设计是一门手艺，光靠听讲学不会，得靠临摹入门。学书法要先临帖，学画要先临摹——为的是在一笔一画里，体会整幅作品的谋篇布局。只把单个字、单个技术点练好 (取一次对数、算一次聚类标准误)，是写不出一幅完整作品的，也做不出一篇完整研究。

复现一篇规范的顶刊论文，就是实证研究里最好的临摹。 它让你在一个真实、完整的作品里，一次性看全：问题怎么界定、研究怎么设计、数据怎么清洗、指标怎么选取、模型怎么设定、结果怎么解读、论文怎么组织。这些环节各自都有讲究，但只有放进一篇完整论文里，你才能看清它们如何彼此配合。

这，就是本讲从复现一篇顶刊开始的原因。接下来，我们请出主案例。

1.2 案例情境：请出主案例 Lane (2025)

上一节说到，复现一篇规范的顶刊论文，是快速看全实证研究各环节的最好方式。这一节就正式请出本讲的主案例，交代它是什么、我们打算怎么读它。

1.2.1 AI 让「读懂顶刊」的门槛降下来了

过去，读懂一篇顶刊的实证论文，往往要具备相当的方法基础，还要耐着性子啃完全文。现在，工作方式正在改变：你可以把论文和它的复现包交给 AI 与 agent，让它先帮你把背景、方法、数据、复现流程各自梳理一遍，你再带着具体问题去追问、去核对。这不是让 AI 替你做研究，而是让它把你从「不敢开始」的门口，快速领进门。

一个更具体的目标感受是：借助 AI，一个上午就能大致读懂三四篇顶刊，判断哪些值得精读、哪些方法可能迁移到自己的研究里。本讲的主案例，就用来把这个过程走一遍。

一条贯穿全讲的底线

AI 负责快速起草，你负责判断对错。研究问题、样本定义、变量构造、模型设定和结果解释，始终由研究者自己负责。后面每一个借助 AI 的环节，都会配一句：人工核对。这正是本课程反复强调的分工。

1.2.2 主案例：Lane (2025, QJE)

本讲的主案例是一篇产业政策领域的顶刊论文：

Lane, N. (2025). Manufacturing Revolutions: Industrial Policy and Industrialization in South Korea. The Quarterly Journal of Economics, 140(3), 1683–1741. Link (rep), PDF, Google, Replication.

它研究韩国 1973–1979 年的重化工业驱动 (Heavy and Chemical Industry Drive, HCI drive) 这项产业政策，是否真的促进了目标产业的发展。之所以选它做主案例，有三个原因：一是它的复现包组织得非常规范，官方来源是 Harvard Dataverse，课程期间的完整副本位于 examples/Lane_2025_QJE_paper_codes/，是学习「一个专业复现项目长什么样」的好范本；二是它同时用到 Stata 和 R、涉及多源数据，正好训练我们阅读多语言、多数据的复现材料；三是它的政策背景清楚、故事完整，适合初学者建立「从政策事实到研究设计」的整体认知。若克隆后数据不完整，按课程数据集说明从 Dataverse 下载并放回同一目录。

本讲怎么用这个案例

本讲把 Lane (2025) 定位为顶刊解读的演练场，不逐表复现。目标不是把论文的每张表都跑出来，而是让零基础的你，借助 AI 与 skills，在较短时间内读懂它的研究背景、主要贡献和实证策略，并学会把这套读法迁移到自己关心的论文上。真正想动手复现的同学，可参考复现材料导览，再从课程仓库中的完整副本按其指引进行。

1.2.3 关键手法：把「读一篇论文」切成几个任务

初学者用 AI 读论文，最容易犯的错误，是一上来就把整篇 PDF 丢给 AI，让它写一份大而全的读书笔记。结果往往是：每个方面都浅尝辄止，篇幅很长却抓不住重点，你也无从判断它写得对不对。

本讲主张一种更有效的做法——任务切割：把「读一篇论文」拆成几个角度，每个角度让 AI 单独生成一份短笔记。我们对 Lane (2025) 就切了四刀，形成四份配套笔记：

角度 回答什么 配套笔记
整体介绍 研究背景、问题、思路、主要结论——最快了解全貌 整体介绍
实证方法与识别 用了什么方法、识别策略、怎么处理内生性 实证方法与识别
复现材料导览 复现包怎么组织、主程序在哪、数据分几层 复现材料导览
迷你文献定位 站在哪些文献之间、如何找到相关高水平文献 迷你文献定位

这四份笔记是本讲的核心成果，每一份都给出了生成它的提示词和建议调用的 skill，你可以照着自己复现一遍。后面的小节会先讲清概念，再逐一演示怎么用 AI 把它们做出来。

1.3 概念讲解：一个复现项目的骨架

一个规范的复现项目，正是把上一节那条「问题 → 数据 → 模型 → 结果 → 论文」的链条，固化成了文件和脚本。这一节就来拆解它的骨架，方法是先讲人话、再给直觉、最后落到复现包的真实结构上。Lane 案例的逐项细节，放在复现材料导览 里，本节只讲通用的看法。

1.3.1 一个复现包长什么样：README、主脚本、输出

打开一个规范的复现包 (replication package)，你通常会看到这样几类东西：

  • README：说明书。讲清楚这个包怎么组织、要什么软件、怎么一步步跑起来。读复现包，永远从 README 开始。
  • 主脚本 (入口)：一个「驱动别人」的总程序。你运行的就是它，它再按顺序去调用一堆干具体活的子脚本。
  • 子脚本：分工干活的——有的做数据处理，有的跑回归，有的出图出表。
  • 数据目录与输出目录：前者放输入和中间数据，后者放最终生成的图表。

以 Lane (2025) 为例，整个复现由一个入口脚本 master.R 驱动，它会先跑 Stata 分析、再用 R 出图出表。目录的骨架大致是：

├─ master.R          ← 唯一入口，你运行的就是它
├─ config.yml        ← 配置：填你的 Stata 路径和版本
├─ README.md         ← 说明书，先读它
├─ code/             ← 全部脚本（Stata 分析 + R 出图出表）
├─ data/             ← 数据（分多层，见下）
└─ output/           ← 最终生成的图和表

看到一个陌生的复现包，先问自己四个问题——入口在哪、目录怎么分、数据分几层、能复现到什么程度。这四问的 Lane 版详细答案，见复现材料导览。

1.3.2 原始数据、中间数据、分析样本、图表结果之间的关系

「数据」在复现包里不是一堆文件，而是一条流水线：

原始数据 → 中间数据 → 分析样本 → 图表结果

  • 原始/输入数据：最初拿到的材料 (如手工数字化的普查、贸易数据、政策文书)。它往往不能直接分析。
  • 中间数据：清洗、合并、构造之后产生的过程性结果，通常由脚本运行时生成。
  • 分析样本：真正喂给模型的那份数据——已经定好了样本范围、处理组对照组、核心变量。
  • 图表结果：模型跑出来、写进论文的图和表。

理解这条链有一个很实际的好处：你能看懂一个复现包为什么要这样分目录。比如 Lane 的包，把输入数据、运行时生成的中间数据、预先算好的结果、最终输出分别放在不同目录里；甚至专门预存了一部分依赖非公开数据的中间结果，好让你缺了原始微观数据也能把图画出来。这些安排不是多余的，正是「原始 → 中间 → 样本 → 结果」这条链在文件系统里的投影。

1.3.3 怎么识别主程序、数据处理脚本和结果输出脚本

面对几十上百个脚本文件，怎么快速分清谁是谁？有几个通用窍门：

  • 主程序：名字里常带 master、main、run，或以 0_ 这类序号前缀开头；它的内容大多是「按顺序调用别的脚本」。
  • 数据处理脚本：读入原始数据、做清洗合并构造、写出中间数据；关键词常是 clean、build、prepare、merge。
  • 结果输出脚本：读分析样本、跑回归或画图、把图表写进 output；关键词常是 figure、table、analysis、regress。

一个可靠的判断法则是：被别人反复调用的，是干活的子脚本；调用别人的，是主程序。 顺着主程序一层层读下去，整个复现流程就展开了。在 Lane 案例里，这条线是 master.R → 0_master_run_analysis.do → 各 run_*_analysis.do →（R 出图出表脚本）；哪个分析对应哪个脚本，作者在 README 里给了对照表——读代码前先看这张表，能省大量时间。

1.3.4 Lane 案例：政策产业如何映射到数据

Lane 研究的 HCI drive，集中扶持钢铁、有色金属、造船、机械、电子、石化六大战略产业。一项「政策」要变成可以分析的数据，中间有一条清晰的映射链：

政策法案 (点名的产业)→ 产业分类代码 (KSIC)→ 行业面板 / 贸易数据 / 投入产出表

图 1.3 概括了从政策背景一步步走向研究设计的思路：左侧是政策的历史背景与时间线，中间是目标产业与数据的映射，右侧是识别策略与结果变量。

图 1.3: Lane (2025)：从政策背景到研究设计

这条链上的每一步，都对应复现包里的一类材料：

  • 政策文件告诉我们哪些产业是目标 (处理组)、政策何时启动 (时间)；
  • 制造业普查面板用来看目标产业的产出、就业、生产率等结果；
  • UN COMTRADE 贸易数据用来看出口和比较优势；
  • 韩国银行投入产出表用来看政策对下游产业的溢出。

也就是说，同一项政策会进入多种数据，每种数据回答一个不同的问题。看懂这张映射图，你就明白 Lane 的复现包为什么会有那么多不同来源的数据文件——它们不是堆在一起的，而是各自对应研究设计里的一个环节。

想更深入政策背景与数据映射

本讲只讲到与「读懂复现项目」直接相关的程度。政策背景与数据映射的更完整讨论，可参阅连享会《因果推断》讲义：从政策背景到研究设计、政策如何进入数据，以及 HCI 政策背景。这些属于进阶延伸，行有余力再看。

1.4 用 AI 做任务切割：把一篇顶刊拆成四份笔记

前面反复说过一句话：不要一上来就把整篇 PDF 丢给 AI 写一份大而全的笔记。这一节，我们就把「任务切割」真正做一遍，看看四份笔记是怎么一份份生出来的。

1.4.1 先破畏难：三分钟拿到第一份笔记

打开任意一个 AI 助手 (网页版 ChatGPT、Claude、Codex、OpenCode 都行)，把 Lane (2025) 的 PDF 传上去，只问它一个角度——整体介绍。几分钟后，你就得到了一份讲清「研究背景、问题、思路、结论」的短笔记。这份笔记长什么样、用的什么提示词，见配套的整体介绍。

就这么简单的一步，已经能帮你回答最要紧的问题：这篇文章和我的研究相关吗，值不值得往下读？ 畏难情绪，往往就在这三分钟里破掉了。

1.4.2 四刀，切出四个角度

一份整体介绍还不够。把「读一篇论文」继续切开，我们对 Lane (2025) 一共切了四刀，每一刀都是一个独立、可核对的小任务：

  • 整体介绍：最快了解全貌，判断相关性。→ 整体介绍
  • 实证方法与识别：用了什么方法、凭什么可信、怎么处理内生性 (只讲是什么、为什么)。→ 实证方法与识别
  • 复现材料导览：复现包怎么组织、主程序在哪、数据分几层、能复现到什么程度。→ 复现材料导览
  • 迷你文献定位：它站在哪些文献之间，怎么找到相关的高水平文献。→ 迷你文献定位

四份笔记各回答一类问题，你可以按需取用：先看整体介绍判断相关，再看方法能否迁移，想动手复现就看复现导览，想顺藤摸瓜找文献就用文献定位。每份笔记的开头，都附了生成它的提示词和建议调用的 skill，你完全可以照着自己跑一遍。

1.4.3 一条不能省的底线：AI 辅助，不是 AI 替代

任务切割让 AI 帮了大忙，但有一件事必须讲清楚——这些笔记是 AI 起草的初稿，不是定论。(对应大纲要点：用 AI 辅助阅读 replication package，而不是让 AI 替代研究判断。)

  • AI 可能读错：把相关说成因果、把稳健性检验当成主结果、把某个数字记串；
  • AI 可能编造：尤其在文献那一份笔记里，它可能列出看似合理、实则不存在的参考文献。

所以每一份笔记，都要你回到原文核对：结论对不对，看对应的图表编号；文献是真是假，用检索工具查实。研究判断——这篇文章好不好、方法能不能用在我的问题上——永远是你自己的事。 把这条守住，AI 才是帮手而不是坑。

1.5 AI 协作训练

契约边界

本节逐条覆盖大纲「AI 协作训练」清单，不删项、不缩范围。每条给一份可复制的提示词、标注对应的 core skill，并说明怎么人工核对。这些任务，网页版 AI 助手大多都能完成。

下面四项训练，都围绕 Lane (2025) 的复现包展开。课程期间，直接打开 examples/Lane_2025_QJE_paper_codes/replicationpackage/ 中的 README.md 和目录清单即可；官方来源仍是 Dataverse。

1.5.1 训练 1：让 AI 根据 README 生成复现路线图

任务：把复现包的 README.md 交给 AI，让它给出一张「先跑什么、再跑什么」的路线图。

提示词

这是一篇顶刊论文复现包的 README.md(附文本)。请帮我生成一张复现路线图：按实际运行顺序，列出从入口脚本到最终图表的每一步，每步标明运行哪个脚本、读什么数据、产出什么。只依据 README，不确定的地方标出来让我核对。

对应 skill：core/03-replication-navigator。人工核对：对照 README 里的脚本清单，检查路线图有没有漏掉或杜撰脚本名；不放心就翻到复现材料导览 对一遍。

1.5.2 训练 2：让 AI 解释文件夹结构和主程序调用关系

任务：让 AI 讲清楚各目录分别装什么、主程序怎样一层层调用子脚本。

提示词

这是该复现包的目录清单 (附)。请帮我：(a) 用一句话说明每个主要目录 (如 code/、data/、output/) 装的是什么；(b) 画出主程序的调用关系——谁调用谁，从入口一直到出图出表。只依据我给的目录和 README，不要编造文件。

对应 skill：core/03-replication-navigator。人工核对：用「被反复调用的是子脚本、调用别人的是主程序」这条法则，抽查一两个它给出的调用关系对不对。

1.5.3 训练 3：让 AI 读一段代码，说明它在复现流程中的位置

任务：挑复现包里的一段代码 (Stata 或 R 都行)，让 AI 说明它在整个流程里干什么、对应论文的哪张图表。这一项也顺便兑现大纲「R 作为补充」的要求——我们不学 R 语法，只借 AI 读懂 R 代码在流程中的角色。

提示词

这是该复现包里的一段代码 (附，语言为 Stata 或 R)。请说明：(a) 它大致在做什么；(b) 它读入什么、产出什么；(c) 它对应论文里的哪张图或哪张表、处在复现流程的哪一步。不用教我语法，只讲它在整个复现流程里的位置。不确定就标出来。

对应 skill：core/03-replication-navigator。人工核对：对照 README 的「脚本—论文内容」对照表，确认 AI 说的图表编号对得上；方法名词若超出你目前掌握，记下来即可，后面几讲会学到。

1.5.4 训练 4：让 AI 总结「从数据到结果」的复现日志

任务：跑通 (或读通) 一部分复现后，让 AI 帮你把「从哪份数据、经过哪些步骤、得到哪个结果」整理成一份复现日志。

提示词

我正在复现这篇论文。以下是我跑过的脚本、用到的数据和得到的产出 (附)。请帮我整理成一份「从数据到结果」的复现日志：按步骤记录输入数据 → 处理脚本 → 产出 (中间数据/图/表)，并标出哪些步骤因为缺数据或缺许可跑不了。只依据我提供的信息，不要补全我没给的内容。

对应 skill：core/06-repro-logger。人工核对：检查日志里每一步的输入输出是否和你实际跑的一致，跑不了的步骤有没有如实标注——一份诚实的复现日志，比一份漂亮但注水的更有价值。

1.6 小结与练习

本讲从「一项实证研究是怎么做出来的」讲起，用书法临摹作比，说明复现一篇规范的顶刊论文，是全面掌握问题界定、研究设计、数据处理、结果解读各环节的最好方式。随后以 Lane (2025) 为例，我们看清了一个复现包的骨架 (README、主程序、数据四层、脚本分工)，并用「任务切割 + AI 协作」的方法，把读懂一篇顶刊拆成了四个可核对的小任务。(对应大纲要点：从复现文档中学习研究设计、数据处理和结果组织。)

一句话带走：AI 让你更快地读懂顶刊，但读得对不对、用不用得上，始终由你判断。

1.6.1 练习

练习 1(手工判断)

下面是某复现包的部分文件名，请判断哪个最可能是主程序、哪些是数据处理脚本、哪些是结果输出脚本，并说明理由：0_master_run_analysis.do、build_industry_panel.do、Figure2.R、merge_trade_data.do、Table1.R。

  • 主程序：0_master_run_analysis.do——0_ 前缀加 master、run，典型的总驱动脚本，内容多为按序调用别人。
  • 数据处理脚本：build_industry_panel.do(build，构造面板)、merge_trade_data.do(merge，合并数据)——读原始数据、写中间数据。
  • 结果输出脚本：Figure2.R、Table1.R——直接对应论文的图 2 和表 1，读分析样本、出图出表。
练习 2(概念)

用你自己的话，说清楚原始数据、中间数据、分析样本、图表结果四者的关系；并解释为什么 Lane 的复现包要专门预存一部分「非公开数据的中间结果」。

四者是一条流水线：原始数据经清洗、合并、构造成为中间数据，再定好样本范围与核心变量成为分析样本，最后由模型产出图表结果。预存「非公开数据的中间结果」，是为了让没有微观数据访问权限的人，也能把依赖这些数据的图表复现出来——这是复现包「分级透明」的一种做法。

练习 3(交给 agent 并审计)

任选一篇你自己研究领域的论文 (最好带复现包)，用本讲「训练 1」的提示词，让 AI 生成一张复现路线图；然后回到 README 核对，找出 AI 的路线图里至少一处不准确或存疑的地方，并说明你是怎么发现的。

本题没有标准答案，重点在「审计」这一步。合格的回答应能指出 AI 的具体错处 (如杜撰了一个不存在的脚本、把运行顺序排错、漏掉一个数据处理步骤)，并说明核对依据 (README 的脚本清单、目录实际文件、脚本对照表)。能稳定地发现并纠正 AI 的错误，正是本讲要练的能力。

1.7 延伸阅读

  • 进阶观摩：一位博士生的多角度精读成品。 一位连享会助教用多个 agent 对本文生成了一整套精读笔记 (framing / summary / methods / derivation / replication 五个角度，外加逐行代码注释和一份 agent 协作工作流)，可作为「用 AI 读顶刊能到什么程度」的参照——完整内容见这份进阶参照页(不在正式目录中，从此处跳转浏览)。其中方法与推导部分含较多计量方程，属进阶内容，初级班点到为止；那份多 agent 工作流属高级可选，不要求复刻。我们课上做的，是它的简化版。
  • 扩展案例：Akcigit et al. (2022)《Taxation and Innovation in the Twentieth Century》(QJE)。 作为课后扩展案例，可用本讲的任务切割法自行解读；完整引文见阅读清单。
  • 方法进阶留待高级班。 本讲只帮你读懂 Lane 用了哪些方法、为什么用；这些方法 (动态 DID、双重稳健、三重差分，以及更前沿的现代 DID 估计量) 本身怎么做，属于进阶内容，可参考连享会关于现代 DID 的整理，并留待高级班系统学习。
  • 政策背景延伸见前面「概念讲解」末尾给出的《因果推断》讲义链接。