AI 生成 Stata／Python 回归代码
把研究设计与变量清单交给大模型，让它一次生成 do 文件或 Python 脚本，再由学生逐行核对命令语法与变量设定是否与课堂所学一致。
AI 赋能
把大模型与智能工具引入备课、实训与过程评价
梳理 AI 在本课程中的具体赋能场景、工具链与可观测的能力画像。
AI 赋能教学
计量经济学是四门课里与 AI 结合最深的一门：从数据清洗、回归实现到稳健性检验，大模型能把 Stata 与 Python 代码一次写出来。但“跑出显著结果”不等于“识别正确”——内生性、样本选择与控制变量的选择仍然要人来负责。课程立场很明确：AI 负责把代码写快，人负责把因果讲清楚。
AI 教学场景
将大模型与智能工具引入课堂，覆盖从概念理解、代码实现到结果解释的全流程。
异方差／自相关／共线性的自动诊断
让 AI 按“残差图—White 检验—DW 检验—VIF”的顺序列出诊断流程与判定阈值，学生据此在 Stata 中复现并解释每一步结论。
单位根—协整—误差修正的流程化分析
用大模型生成时间序列分析的标准流程与代码模板，学生填充自己的数据并解释 ADF 检验的滞后阶选择与协整结论。
面板数据与政策评估（DID、双向固定效应）
让 AI 给出双向固定效应与双重差分的模型设定、平行趋势检验与稳健性检验清单，学生据此完成一次完整的政策评估作业。
AI 辅助文献检索与实证论文复现
用大模型快速定位与课程知识点对应的经典实证文献，提取其研究设计与识别策略，再尝试用公开数据复现主要结果。
课程实验中的 AI 协同
六个实验中，学生可用大模型生成代码框架与结果解释草稿，再用 Stata 实际跑通并逐项核对，形成“AI 起草—软件验证—报告说明”的工作流。
AI 工具矩阵
以下工具可在本课程学习与实验中辅助检索、编码、建模与可视化。
Stata
课程实验指定的计量软件，完成回归、诊断、时间序列与面板模型的全部操作。
Python（statsmodels／linearmodels）
复现 Stata 结果、实现稳健标准误与面板模型的开源替代方案，便于结果交叉验证。
R（plm／fixest 等包）
面板数据与固定效应模型的另一条实现路径，用于方法互证。
DeepSeek、通义千问等大模型
生成代码框架、解释计量概念、辅助诊断流程梳理与文献检索。
Jupyter Notebook
把数据、代码、图形与文字说明整合为可复现的分析记录。
公开数据库（CSMAR／CNRDS／世界银行）
课程案例与实验数据的来源，需通过学校或公开渠道合法获取。
实践现场
即学即用的提示词
以下提示词可直接复制到主流大模型，辅助学习与本课程实验（请核验输出、遵守学术规范）。
写出一份可复现的 Stata 回归 do 文件
我要研究“教育年限对个人收入的影响”，数据包含 wage（小时工资）、educ（受教育年限）、exper（工龄）、gender、urban 五个变量。请写一份完整的 Stata do 文件，包含：1）数据导入与描述性统计；2）一元回归 wage on educ；3）加入 exper、gender、urban 的多元回归；4）用 vif 检查多重共线性；5）用 estat hettest 检验异方差并在存在异方差时使用稳健标准误；6）把两个回归结果输出到一张对比表。请在每行命令后加注释说明这一行的作用，并提醒我哪些结果需要特别注意。诊断并修正异方差
我用截面数据做消费对收入的回归，残差图显示方差随收入明显扩大。请：1）说明异方差对 OLS 估计量的无偏性、有效性与显著性检验分别有什么影响；2）列出 White 检验与 G-Q 检验的适用条件与操作差异；3）给出异方差稳健标准误与加权最小二乘法（WLS）两种修正思路的 Stata 代码；4）说明在什么情况下应该优先选择 WLS 而不是稳健标准误，以及 WLS 的权重如何估计。完成一次时间序列的协整分析
我要检验中国 GDP 与能源消费总量是否存在长期均衡关系，数据为 1990—2024 年年度序列。请给出完整的 Stata 操作流程：1）对两个序列做 ADF 单位根检验并说明滞后阶如何确定；2）若两者同阶单整，用 EG 两步法做协整检验；3）若存在协整关系，建立误差修正模型并解释误差修正项的系数含义；4）做格兰杰因果检验并说明它的结论边界。请明确指出格兰杰因果不等于真实因果的原因。用双向固定效应做政策评估
我要评估某政策试点对城市人均 GDP 增速的影响，数据为 2010—2023 年 280 个地级市面板，含 treat（是否试点）、post（政策后）、以及若干控制变量。请：1）写出双向固定效应模型的设定式并解释各下标含义；2）给出 Stata 的 xtreg 代码并说明如何控制城市与时间效应；3）做 Hausman 检验判断固定效应还是随机效应；4）列出至少四种稳健性检验（平行趋势、安慰剂检验、替换被解释变量、缩尾处理）的做法与代码片段；5）说明这项评估最可能面临的识别挑战。用 Python 复现 Stata 的回归结果
请给我一段 Python 代码（statsmodels），读入与 Stata 相同的 CSV 数据，完成 OLS 回归并输出与 Stata 格式一致的回归表（含系数、标准误、t 值、p 值、置信区间、样本量与 R²）。要求：1）支持异方差稳健标准误（HC1）与聚类稳健标准误两种选项；2）把结果导出为可直接粘贴到论文中的三线表；3）在代码注释中说明 statsmodels 与 Stata 在默认标准误处理上的差异可能导致的数值不一致。AI 伦理与规范
使用 AI 须恪守学术诚信、数据安全与行业合规底线。
显著不等于识别正确
AI 能快速给出显著的回归结果，但内生性、样本选择与遗漏变量问题不会被自动提醒。任何结论都必须说明识别策略与可能偏误来源。
数据与方法必须可复现
报告须附上完整的数据来源、变量定义与代码（do 文件或脚本），他人按同样步骤应能得到同样结果；AI 生成的代码必须实际跑通再引用。
拒绝 p 值操纵与选择性报告
不得为追求显著而反复增删控制变量或删改样本。所有尝试过的设定都应在报告中如实说明，这是课程对实证素养的底线要求。
学术诚信与可追溯
实验报告须标注哪些环节使用了 AI 辅助（代码框架、诊断流程、文字润色），保留提示词与修改记录，核心设定与结论由学生本人完成并可口头复述。