1 重新审视 Stata
1.1 界面与语法：从何处深入了解
Stata 的窗口、菜单和语法，是使用 Stata 的基本功。若需系统了解这些内容，推荐阅读在线书 Stata 101，尤其是下面三节：
1.2 为何还要学 Stata？
写代码的门槛正在被 AI 拉低：你说一句话，它就给你一段 Stata 代码。既然如此，为什么还要花时间学 Stata？
因为「让 AI 写」和「看懂、用好、检查」是两回事。下面这张图是一项实证研究的典型流程——从数据到结果，每一步都需要研究者自己做判断，而不是把方向也交给 AI。
具体来说，在 AI 时代仍值得懂一点 Stata，有以下五个理由。
C1 具备「审查能力」，不要被 AI 误导
AI 生成的 Stata 代码常常”看起来对、也跑得动，结果却不对”——变量名猜错、选项用反、把跨个体的滞后算到了别的单位、把相关关系写成因果。只有自己懂一点 Stata，才能读懂它到底写了什么、判断结果是否合理。
C2 能自行搜索新命令、查看帮助文件
遇到不认识的命令，能 help 一下看语法、findit 一下找方法、看懂它来自官方还是 SSC。有了这个能力，才判断得出 AI 推荐的命令靠不靠谱、有没有更合适的替代。
C3 知道 Stata 安装路径与 profile.do 机制
这一点和”用 Agent”直接相关：让 Claude Code、Codex 或 MCP 工具去调用、配置 Stata 时，必须告诉它 Stata 的安装路径，以及 profile.do 的存在——这是 Stata 启动时自动运行的配置文件，可能会改变工作目录、加载外部命令路径。不了解这套机制，Agent 配置常常莫名卡住。
C4 有些方法，Stata 仍有独特优势（如 reghdfe）
不少前沿计量方法的成熟实现最先出现在 Stata：reghdfe（高维固定效应）、csdid / jwdid（现代交叠 DID）、ivreghdfe 等。做面板与因果推断时，Stata 生态往往比 Python / R 更省心、更”开箱即用”。
C5 路径依赖：复现包与合作者都在用 Stata
大量顶刊论文的复现包是用 Stata 写的；导师、师兄师姐、合作者也很可能多年都在用 Stata。想读懂别人的代码、复现别人的结果、和团队顺畅协作，就绕不开它。会一点 Stata，是融入现有学术生产链的现实需要。
一句话：AI 让你把代码写得更快，而懂一点 Stata，才让你把结果做得更对。
关于”AI 时代为什么还要懂一点 Stata”的更完整讨论，参阅：丁闪闪, 2026, Stata：AI 写代码时代，为什么还要懂一点？。
1.3 动手走一遍
用 Stata 做一次分析，最小的一套动作如下（操作细节见上文 Stata 101 链接）：
- 认识四个窗口，用
sysuse auto, clear载入数据，在变量窗口查看数据结构。 - 新建
01_first.do，写三行use → summarize → regress，用do一键跑通——能重跑、能分享，正是 dofile 相对于”手敲命令”的根本优势。 help regress读语法行与一个选项；findit一个关键词做模糊搜索。ssc install winsor2, replace安装一个外部命令，help winsor2验证。- 路径只记一句话：永远用项目文件夹 + 相对路径（把绝对路径改成
./data/...）。这也是第 4 讲里 Agent 能接管整个项目的前提。