本附录汇集几类因课时有限未及展开的用法。每节都给出一段可直接复制的提示词，课后即可自己尝试。
模拟分析：自己造数据检验方法
当真值已知时，模拟数据是检验估计量、也是教学演示的利器。做法是：先写清数据生成过程（DGP），再用不同方法估计，最后和真值对照——谁离真值近、谁偏得多，一目了然。本课 demo 里 TWFE vs csdid / jwdid vs 真值的对照表，就来自这一思路。
# 任务：模拟数据并对比估计量
## 设定
- DGP：<个体数、时期数、处理时点；真实处理效应 τ=…>
- 偏误来源：<如 交叠处理 + 异质处理效应>
## 输出
- dgp/simulate.do：生成模拟数据（固定随机种子，可复现）
- code/compare.do：分别用 TWFE、csdid、jwdid 估计
- outputs/compare.md：一张对照表（各估计量 vs 真值），并一句话总结谁更接近真值
## 要求
- 对照表要单列"真值"一列
- 先说明 DGP 与对比方案，我确认后再执行
怎么读对照表：重点看各估计量与”真值”列的距离。若 TWFE 明显偏离、而 csdid / jwdid 贴近真值，就直观说明了：在交叠处理、效应异质的场景下，为什么要改用现代 DID 方法。完整模板见 附录 A · 场景模板四。
让 AI 写讲义：把新概念学明白
想弄懂一个新方法时，与其干读公式，不如让 AI 结合一个可运行的 Stata 例子，替你生成一份自学讲义：一句话说清它解决什么问题、与传统做法的区别、一个最小可运行例子、结果怎么读、常见误用。
# 任务：生成一份 <方法名，如 交叠 DID> 的自学讲义
## 目标
面向已掌握 OLS 的读者，讲清 <方法名> 的直觉、适用条件与 Stata 实现。
## 输出：notes/<方法名>.md，包含
1. 一句话：它解决什么问题、什么时候该用
2. 与传统做法（如 TWFE）的关键区别（讲直觉，不堆公式）
3. 一个最小可运行的 Stata 例子（用 sysuse 或模拟数据），配中文注释
4. 结果怎么读：看哪张表、哪个系数、哪张图
5. 三条常见误用 + 延伸阅读
## 要求
- 例子必须能在 Stata 中跑通；用到的外部命令注明 ssc install
- 先给提纲，我确认后再展开
拿到初稿后别急着全盘接受——挑一两处按它的例子自己在 Stata 里跑一遍，确认结论站得住，再纳入自己的笔记。完整模板见 附录 A · 场景模板三。
从大压缩包里提取数据
顶刊复现包或数据集动辄几个 G，一次性全部解压既慢又占空间。更聪明的做法是：让 Agent 先摸清压缩包的目录结构、定位主程序和目标数据文件，再按需解压、抽取你真正要的那部分。
# 任务：从大压缩包中定位并提取目标数据
## 输入
- archive/：一个（或多个）较大的压缩包 / 复现包
## 要求（先看清，再动手）
1. 先不要全部解压。列出压缩包的目录结构与主要文件（含大小、类型）
2. 指出：主程序、数据处理脚本、原始数据文件分别在哪
3. 我确认目标文件后，再只解压 / 抽取这些文件到 data/
4. 给出一段说明：这些文件之间的关系、以及运行入口在哪
这样既省时间也省磁盘，还顺带得到一份”项目地图”，为后续复现（见 附录 B）打好基础。
三个小节的完整演示（含截图）将在课后陆续补充。