6  综合实操：从复现代码到自己的分析任务

本讲要点
  • 如何打开和理解一个复现项目；
  • 如何根据研究问题列出数据处理和模型实现清单；
  • 如何检查样本筛选、变量构造和图形诊断结果；
  • 如何解释 OLS、虚拟变量、交乘项和固定效应模型；
  • 如何整理复现日志、结果说明和待检查问题清单；
  • 如何借助 AI 生成代码注释、复现路线图和 debug 记录；
  • 如何判断 AI 输出是否可靠，哪些问题必须回到数据和模型本身。
本讲的形式与配套
  • 本讲是一场现场演示，不是又一章讲义。 上课时我们会临时选一篇 2026 年新发表的实证论文，连同它公开的数据与代码，用 AI Agent 当场走一遍「打开复现包 → 跑出结果 → 迁移到自己的问题」的全过程。你在这一页读到的，是这场演示的议程与提示词清单；具体每一步现场展开。
  • 本讲用到的 skills：core/03-replication-navigator 与 core/06-repro-logger 为主，并把前五讲的 core/01–core/08 串成一条完整工作流。skill 是什么、怎么在不同 agent 里触发，见《AI 工作流与 skills 上手》。
  • 本讲以工作流演示为主、不重自研代码，比照第一讲免写 Python 附录，改以「提示词 + skills 调用」承载。现场用到的分步提示词、裁剪版主控脚本 (Stata / R)、六幕演示讲稿已整理在配套 examples/ch06/；其中 examples/ch06/demo_results/ 收录了课前跑通、可逐表对照的「标准答案」 (Table 1–7、Figure 1–4 与复现报告)，你照着自己复现一遍后，就用它核对结果对不对。

6.1 本讲是一场现场演示

前面五讲，我们从复现一篇顶刊起步，一路练了读数据、清数据、跑回归、加虚拟变量与交乘项、上固定效应。到这一讲，是时候把这些串成一条完整的手艺了。

课程的前言里说过，这门课的定位是引进门——把你从「不敢开始」的门口领进来。这最后一讲，就用一种最贴近真实科研的方式来收尾：当场打开一个真实的复现项目，用 AI Agent 陪你走完全程。 我们把它叫做「开彩盒」——现场把一个复现项目从头拆到尾，看清里面的数据、代码和结论是怎么一步步立起来的。

之所以这样安排，有两个理由。其一，真实的研究从来不是照着讲义按部就班，而是面对一个陌生项目、一边摸索一边判断；把这一讲留成开放式，正是让你看清这种真实状态下人和 AI 怎么配合。其二，方法不再新增——我们不引入前五讲之外的任何新计量内容，只把已经学过的东西，放到一篇新论文上重走一遍，检验你是否真的能迁移。

本讲的现场演示案例

本讲现场演示的复现项目是一份双重差分 (DID) 实践指南，作者正是当代 DID 方法的几位主要提出者：

Baker, A., Callaway, B., Cunningham, S., Goodman-Bacon, A., & Sant’Anna, P. H. C. (2026). Difference-in-Differences Designs: A Practitioner’s Guide. Journal of Economic Literature, 64(2), 498–557. DOI。复现包 (公开、免登录)：github.com/pedrohcgs/JEL-DiD。

选它做现场案例，是因为它把整门课的方法脊柱用一个数据集 (美国各州医保扩张对县级死亡率的影响) 串成一条线：2×2 DID (本质就是两个虚拟变量的交叉项) → 加控制变量的回归 → 双向固定效应 → 事件研究 (处理组虚拟变量 × 年份虚拟变量的交叉项)。现场只演示这条初级班范围内的主线；复现包里更进阶的多期错峰估计量与敏感性分析，属于现代 DID 的内容，留给高级班。

复现包只给下载链接、不整包并入本仓库 (规则 11)；学员按上面的 GitHub 链接自行下载即可。

需要说明的是，「现场」不等于「即兴」。演示用的每一段提示词、每一步流程，老师都会预先在那篇论文的真实数据上跑通、并留好录屏兜底——就像一场排练过的公开课，临场发挥的只是讲解，实时产出的说服力一分不减。你要学的，正是这套可以照着复用的流程。

6.2 现场议程：开彩盒六步

这场演示按六步走。这六步不是随意排的，而是任何一次「从复现代码到自己的分析」都要经过的判断链条。每一步，都请你留意研究者要在这一步做出什么判断，而不只是 AI 跑了什么命令。

  1. 开箱：先读懂这个项目 (对应要点：打开和理解一个复现项目)。拿到复现包，先不急着跑。看文件夹结构、读 README、识别数据分几层 (原始 / 中间 / 分析样本 / 图表结果)。要判断的是：入口脚本在哪、能复现到什么程度、有没有缺的数据。这一步用的正是第一讲的看法。

  2. 列清单：把论文拆成可执行的步骤 (对应要点：根据研究问题列出数据处理和模型实现清单)。顺着论文的研究问题，把「要做哪些数据处理」和「要跑哪些模型」列成两张清单。要判断的是：哪些步骤是核心、哪些只是稳健性，先做什么后做什么。

  3. 体检：检查数据处理对不对 (对应要点：检查样本筛选、变量构造和图形诊断结果)。照着第二、三讲练的，核对样本怎么筛的、关键变量怎么构造的、图形诊断有没有异常。要判断的是：样本量的变化说得清吗、变量口径一致吗、有没有被离群值或缺失带偏。

  4. 读模型：解释跑出来的结果 (对应要点：解释 OLS、虚拟变量、交乘项和固定效应模型)。把复现包里的回归读懂——它是 OLS 还是加了固定效应，虚拟变量和交乘项代表什么，系数怎么解释。要判断的是：这个模型回答的是不是论文要问的问题。这一步接的是第四、五讲。

  5. 留痕：整理成可复现的记录 (对应要点：整理复现日志、结果说明和待检查问题清单)。把前面几步汇成三样东西：一份复现日志、一份结果说明、一份还没搞清的「待检查问题清单」。要判断的是：换个人照着你的记录，能不能跑出同样的结果。

  6. 迁移与收口：判断 AI 是否可靠 (对应要点：判断 AI 输出是否可靠，哪些问题必须回到数据和模型本身)。最后，讨论怎么把这套流程迁移到你自己的问题上，并回答一个贯穿全程的问题：AI 给的东西，哪些能信、哪些必须回到数据和模型本身去核。这一步单独在后面展开。

贯穿这六步的，还有一条暗线：每一步都让 AI 帮我们生成代码注释、复现路线图和 debug 记录 (对应要点：借助 AI 生成代码注释、复现路线图和 debug 记录)。它不是第七步，而是渗透在前六步里的助手——下一节就把这些 AI 动作逐一摆出来。

6.3 现场会调用的 AI 动作

上面六步里，AI 具体帮我们做五件事。下面逐条给出任务、可复制的提示词、对应的 skill，以及怎么人工核对。现场演示时，这些提示词会一段段贴给 agent，看着它实时产出；课后你照着同一份清单，就能在自己选的论文上「再开一次彩盒」。

契约边界

本节逐条覆盖大纲「AI 协作训练」清单，不删项。每条都配提示词与 core skill，并说明人工核对怎么做——因为 AI 负责起草，判断对错始终是你的事。

6.3.1 动作 1：让 AI 根据项目文件夹和 README 生成复现路线图

任务：把复现包的 README 和目录清单交给 AI，让它给出一张「先跑什么、再跑什么」的路线图。

提示词

这是一篇论文复现包的 README 和文件目录清单 (附)。请生成一张复现路线图：按实际运行顺序，从入口脚本一直列到最终图表，每步标明运行哪个脚本、读什么数据、产出什么；再说明数据分几层、能复现到什么程度。只依据我给的内容，不要编造文件名，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 的脚本清单，检查有没有漏掉或杜撰脚本；用「被反复调用的是子脚本、调用别人的是主程序」这条法则抽查调用关系。

6.3.2 动作 2：让 AI 根据变量字典和筛选规则生成数据检查清单

任务：把论文的变量字典 (codebook) 和样本筛选规则交给 AI，让它列一张「该检查哪些地方」的清单。

提示词

这是论文的变量说明和样本筛选规则 (附)。请帮我列一份数据检查清单：每个关键变量该怎么核对口径、样本每一步筛选后应该剩多少、哪些地方容易出缺失或离群、合并数据后要查什么。按「检查项 → 怎么查 → 期望结果」组织。

对应 skill：core/04-data-cleaning-planner。人工核对：清单只是提醒，真正的核对要回到数据本身跑一遍 (describe、misstable、匹配率)；AI 说「应该剩多少」的数字，务必和实际样本量对上。

6.3.3 动作 3：让 AI 解释一段回归代码和输出表格

任务：挑复现包里的一段回归代码 (Stata、R 或 Python 都行) 和它的结果表，让 AI 讲清它在做什么、系数怎么读。这一项顺便兑现大纲「R 作为补充」的要求——我们不学 R 语法，只借 AI 读懂别的语言写的代码在流程中的角色。

提示词

这是复现包里的一段回归代码和它跑出的结果表 (附，语言可能是 Stata / R / Python)。请说明：(a) 它估计的是什么模型，有没有加固定效应、虚拟变量或交乘项；(b) 核心系数怎么解释、对应论文的哪张表；(c) 它读入什么数据、处在复现流程的哪一步。不用教我语法，只讲它在做什么、结果怎么读。

对应 skill：core/05-regression-interpreter。人工核对：把 AI 的解释和论文正文对应的那张表比对，看系数符号、显著性、变量含义说得对不对；遇到别的语言写的代码，装好环境让 agent 直接执行、再验证输出，而不是凭空判断。

6.3.4 动作 4：让 AI 生成复现日志初稿，由你检查错漏

任务：跑完一部分复现后，让 AI 把「从哪份数据、经过哪些步骤、得到哪个结果」整理成日志初稿，你负责查错漏。

提示词

以下是我跑过的脚本、用到的数据和得到的产出 (附)。请整理成一份「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，标出哪些步骤因为缺数据或缺许可没跑成。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：逐步对照你实际跑的，看输入输出对不对、跑不了的步骤有没有如实标注。一份诚实的日志，比一份漂亮但注水的更有价值——这正是人机分工里「人」不能让渡的部分。

6.3.5 动作 5：让 AI 把这次流程整理成可复用的项目模板

任务：演示到最后，让 AI 把这一整趟「开彩盒」的流程，抽象成一份下次可以直接套用的项目模板。

提示词

请把我们刚才这次复现的完整流程，整理成一份可复用的项目模板：包括标准的文件夹结构、每一步该做什么、每步建议调用哪个 skill、以及每步要人工核对的要点。目标是我下次拿到一篇新论文，照着这份模板就能自己走一遍。

对应 skill：core/06-repro-logger。人工核对：模板要经得起复用——自己拿另一篇论文套一次，看哪些步骤缺了、哪些提示词要改，再回填进模板。能沉淀出自己的模板，才算真的把这套流程学会了。

6.4 判断 AI 输出是否可靠

六步走完，剩下最要紧的一课：AI 给的东西，什么时候能信，什么时候必须回到数据和模型本身去核。这是本讲、也是全课的落点。

一个朴素的分界是：AI 擅长「组织与转述」，不擅长「判断与担责」。它能很快把 README 整理成路线图、把一段代码翻成另一种语言、把流程写成日志——这些是组织性工作，出错了你也容易核对。但涉及研究判断的地方，它给的只是一个看似合理的说法，未必对：

  • 样本为什么从一万筛到八千，这个口径合不合理——要回到筛选代码和论文的样本定义去看，不能听 AI 一句「合理」；
  • 这个交乘项的系数到底说明了什么、能不能解释成因果——要回到模型设定和识别假设，这是第三到五讲反复强调的；
  • AI 报的某个数字、某篇文献、某个脚本名——尤其要警惕它一本正经地编造，凡关键处都回原始材料核对。

这里还要接上第二讲埋下的一条红线：AI 有可能为了「让结果好看」，在清洗或设定上悄悄做手脚。所以对它产出的每一步，都要保留一分审计的警惕心。

一句话带走

AI 让你更快地读懂一个陌生项目，但读得对不对、能不能用在你的问题上，永远由你判断。哪些能交给 AI、哪些必须回到数据和模型本身——分清这条线，就是这门课想教给你的核心手艺。

6.5 课后练习

本讲只有一道练习，也是这门课留给你的第一个真正独立的任务。

练习：自己开一次彩盒

课后自选一篇方法简单、复现包公开的实证论文 (经管、能源、环境等均可，方法落在 OLS / 虚拟变量 / 固定效应 / 标准 DID 范围内)，用本讲的六步议程和五个 AI 动作，自己完整走一遍：从打开复现包，到跑出至少一个主结果，最后产出一份诚实的复现日志 (含一张「待检查问题清单」)。

重点不在于跑得多完整，而在于你能不能在每一步认出研究者要做的判断，并对 AI 的输出保持核对。

如果你一时找不到合适的论文，下面三篇复现包公开、方法都在本课范围内，难度递进，可任选其一 (前两篇在 openICPSR，注册免费账户即可下载；第三篇在 openICPSR、代码为纯 R，适合练一次「换语言复现」)：

  • 入门 · 纯 Stata：Bjorvatn, K., Ferris, D., Gulesci, S., Nasgowitz, A., Somville, V., & Vandewalle, L. (2025). Childcare, labor supply, and business development: Experimental evidence from Uganda. AEJ: Applied Economics, 17(2), 75–101. DOI。复现包：openICPSR E197964。方法：OLS + 处理组虚拟变量；项目结构最干净 (0_master.do + 若干小 .dta)。
  • 进阶 · 能源政策：Bailey, M. R., Brown, D. P., Shaffer, B., & Wolak, F. A. (2025). Show me the money! A field experiment on electric vehicle charge timing. AEJ: Economic Policy, 17(2), 259–284. DOI。复现包：openICPSR E202941。方法：固定效应 + 二重/三重交乘项 + 简单 DID；主题贴近能源与政策干预。
  • 练语言 · 纯 R：Ajzenman, N., Ferman, B., & Sant’Anna, P. C. (2025). Discrimination in the formation of academic networks: A field experiment on #EconTwitter. AER: Insights, 7(3), 357–375. DOI。复现包：openICPSR E210084。方法：OLS/线性概率模型 + 虚拟变量 + 交叉项 + 多组固定效应；全 R 项目 master.R。

本题没有标准答案——你选的论文不同，结果自然不同。合格与否，用下面这张清单自评：

  • 开箱：说得清入口脚本、数据分层、能复现到什么程度了吗？
  • 清单：数据处理和模型实现，各列出了可执行的步骤吗？
  • 体检：核对过样本筛选后的样本量、关键变量口径、图形诊断吗？
  • 读模型：能解释核心回归是什么模型、系数怎么读吗？
  • 留痕：复现日志能让别人照着重跑吗？跑不了的步骤如实标了吗？
  • 判断：至少找出一处 AI 输出的错误或存疑，并说明你怎么核对出来的吗？

六项都能答「是」，你就已经具备了从复现代码走向自己分析任务的基本功。

6.6 延伸阅读：课后的修行

这门课到这里就结束了，但正如前言所说，它只是引进门——真正的手艺，靠的是课后一篇篇论文地临摹、一个个项目地做。给你几个继续修行的入口：

  • 把六步用起来：找三五篇你研究领域的论文，用本讲的流程各开一次彩盒。做得多了，你会形成自己的一套模板和提示词库，这比记住任何单条命令都值钱。
  • 方法进阶留待高级班：本课只教到 OLS、虚拟变量、固定效应这些基础方法。更前沿的因果推断方法 (现代 DID 估计量、双重机器学习等) 怎么做，可先参考连享会关于现代 DID 的整理，并留待高级班与论文班系统学习。
  • 让 AI 工作流长在日常里：把 core/01–core/08 这套 skills 装进你自己的 agent，读论文、清数据、跑回归、写日志时随手调用。工具会一直更新，但「把任务说清楚、调对 skill、再自己核对」这套工作方式，是通用的。