# 自主练习说明

本讲义按一天的授课内容设计。这里不提供统一作业，也不要求所有读者完成额外练习。这个文件为希望继续深入的读者提供一个轻量入口：读完某章后，可以让自己的 AI 或 Agent 根据该章内容生成一组小练习。

## 怎样使用

1. 先选定一章和一个具体问题，不要只说「给我出一些 DID 题」。
2. 把本章标题、自己关心的政策场景，以及下面的一段提示词交给 Agent。
3. 先自己作答，再要求 Agent 按识别逻辑而不是按术语数量批改。
4. 涉及数据、代码或文献时，只使用公开材料，并人工核查运行结果、链接和引用。

## 通用提示词

### 研究设计练习

```text
我正在阅读《因果推断：政策评估中的识别思维与实证设计》的第 {章节号} 章，主题是「{章节主题}」。

请以 {政策或研究场景} 为背景，为经管类研究生设计 3 道由浅入深的练习题。每题都应要求我明确：
1. 政策目标和政策对象；
2. 结果变量、处理变量和数据层级；
3. 最关键的识别威胁；
4. 可以采用的研究设计及其核心假设。

不要把练习写成术语填空题。先只给题目和必要背景；等我提交答案后，再按研究设计逻辑给出反馈。
```

### 识别诊断练习

```text
请为 {政策场景} 设计一份识别诊断练习，主题是 {样本选择 / 固定效应 / DID / SCM / DDML}。

请给出一个简短但具体的数据设定，要求我判断：研究者真正观察到了什么、缺少什么反事实、哪一条假设最脆弱、以及一个看似合理但其实不合适的做法。不要直接公布答案；在最后单列教师版参考答案和评分要点。
```

### 最小实操练习

```text
请围绕 {方法} 设计一个 30 分钟内可以完成的最小实操练习。优先使用公开数据或 Stata 自带数据，并说明数据来源、代码目的、应观察哪一项输出，以及结果不能说明什么。

不要安装新软件，不要依赖本地绝对路径，不要把“代码能运行”写成“因果识别成立”。先给练习说明和代码骨架；只有在我要求时再给完整参考代码。
```

## 使用边界

- AI 生成的题目适合训练问题意识，不能代替教师对难度和答案的判断。
- 不要把未公开数据、审稿意见或完整复现包交给外部工具。
- AI 给出的文献、DOI、代码和数值结论都应自行核查。
- 如果题目要求使用 DID、SCM、Heckman 或 DDML，先要求 Agent 说明它要解决的识别困难，再讨论命令和代码。

## 未来扩展计划

如果后续把本讲义扩展为多次课或完整课程，再按三层补充正式习题：

1. **概念判断题**：训练政策目标、样本边界、反事实和识别假设的判断。
2. **研究设计题**：围绕真实政策场景设计变量、样本和比较对象。
3. **最小复现题**：使用 `notebooks/` 中的公开示例，检查设定、输出和解释。

在此之前，这份自主练习说明已经足够让有兴趣的读者继续往下走。