上一篇我们系统介绍了如何用 PyFixest  做实证分析。

Stata 用户的 Python 迁移指南：从 reghdfe 到 PyFixest

这一篇解决下一个问题：你学会了，但怎么让 AI 也写出规范的实证代码？

1. 问题：AI 写实证代码容易出什么错

你已经掌握了 PyFixest 的语法，开始用 AI 辅助写回归脚本。但你很快发现：AI 给的代码虽然能跑，但经不起审稿人的推敲。

常见的问题类型：

标准误类型随意

# AI 经常这样写——没有指定标准误，用默认的 iidfit = pf.feols("Y ~ treatment | firm + year", data=df)

实证论文里这样写会被直接打回来。面板数据几乎必须聚类，但 AI 不知道你的识别策略，也不知道应该按哪个维度聚类。

忽略小样本校正差异

# AI 认为这就等价于 Stata 的 reghdfe + cluster(firm)fit = pf.feols("Y ~ X1 | firm + year", data=df, vcov={"CRV1": "firm"})

结果和 Stata 的数字对不上。原因在于 PyFixest 和 Stata 在双维聚类时默认用的自由度调整方法不同——AI 完全不知道这件事。

IV 公式写法错误

# AI 经常这样写，但 PyFixest 会报语法错误fit = pf.feols("Y ~ | firm + year | endog ~ Z1 + Z2", data=df)# 正确写法应该是fit = pf.feols("Y ~ 1 | firm + year | endog ~ Z1 + Z2", data=df)

无外生控制变量时，第一部分不能为空，必须写 1 占位。AI 不知道这个 PyFixest 特有的语法规则。

聚类变量含缺失值未处理

# AI 不会主动检查，但 PyFixest 会直接报错fit = pf.feols("Y ~ X1", data=df, vcov={"CRV1": "cluster_var"})# 如果 cluster_var 有 NaN → ValueError

Stata 对这个静默处理，PyFixest 不行。AI 按 Stata 逻辑写代码，就会踩坑。

DID 事件研究忘记设定基准期

# 没有 ref=-1，所有时期系数都会被估计，无法做预趋势检验fit = pf.feols("Y ~ i(rel_year) | id + year", data=df)# 必须明确指定参考期fit = pf.feols("Y ~ i(rel_year, ref=-1) | id + year", data=df)

2. 根本原因：AI 没有实证规范约束

这些问题有一个共同来源：AI 缺乏实证研究的规范意识。

大语言模型的知识来自互联网上的代码和文档。它知道 PyFixest 的基础语法，但它不知道：

• 这段代码是给审稿人看的，不只是要能跑
• 面板数据的聚类方式需要对应识别策略
• 复现 Stata 结果需要特定的 SSC 设置
• PyFixest 有若干和 Stata 行为不一致的地方需要主动处理

更关键的是，AI 没有"实证工作流"的概念——从基准回归、稳健性检验、异质性分析到 IV 诊断，每一步该做什么、该输出什么，它并不清楚。

直接问 AI "帮我写一个 DID 回归"，它给你的是一个能跑的代码片段，不是一个经得起审查的实证流程。

3. 解决方案：Skill 系统

解决这个问题的方法是给 AI 配置一个专用知识模块，在它开始写实证代码之前，自动加载相关的规范和注意事项。

这就是 Skill——一种针对特定任务场景的持久化指令文件。

Skill 是如何工作的

Skill 文件存放在固定位置（Claude Code 的 ~/.claude/skills/ 目录），当 AI 检测到你的请求涉及实证回归时，自动读取其中的规范约束和参考资料，然后再生成代码。

这个过程对用户完全透明——你只需要像平常一样提问，AI 会自动在内部走规范流程。

没有 Skill vs. 有 Skill

4. pyfixest-empirical skill 的内容

这个 skill 包含四个专题参考文件，按需加载，不会一次性占用所有上下文：

4.1 公式语法参考

涵盖 PyFixest 完整的公式语法体系：

• | 分隔符的三段式结构（因变量 / 固定效应 / IV）
• csw0() / csw() / sw() / sw0() 批量估计语法
• i() 事件研究交互项的正确写法
• C() 与固定效应吸收的区别
• 多因变量语法

4.2 Stata 对照手册

逐命令对照 Stata reghdfe / ivreghdfe / ppmlhdfe，覆盖：

• 基础 OLS、稳健标准误、聚类标准误
• 固定效应（单维/多维）
• IV/2SLS 完整工作流
• Poisson/PPML、GLM、分位数回归

4.3 推断方法指南

标准误类型和推断方法的完整菜单：

• HC1 / HC2 / HC3 适用条件
• CRV1 / CRV3 聚类与使用限制
• SSC 小样本校正对照表——复现 Stata 结果的关键
• Wild Bootstrap (wildboottest)
• 随机化推断 (ritest)
• Romano-Wolf 多重检验校正

4.4 DID / 事件研究指南

差分中差分和事件研究的完整规范：

• TWFE 基础设定与预趋势检验
• Gardner DID2S 两步估计法
• LPDID 局部投影法
• event_study() 统一 API 的使用方法
• iplot() 事件研究图的输出规范

4.5 可复用辅助脚本

pyfixest_helpers.py 提供一组实用函数：

check_cluster_na(df, cluster_vars)   # 检查聚类变量缺失值create_relative_time(df, event_col)  # 构造事件研究相对时间diagnose_iv(fit_iv)                  # IV 诊断报告（第一阶段 F、有效 F）compare_se_types(fit)                # 对比不同标准误类型的结果export_etable_to_latex(fits, path)   # 快速导出 LaTeX 回归表

5. 安装方法

Claude Code 用户

将 skill 克隆到 Claude Code 的全局 skills 目录，运行一次安装脚本即可：

git clone https://github.com/luzhiyu-econ/pyfixest-empirical ~/.claude/skills/pyfixest-empiricalcd ~/.claude/skills/pyfixest-empirical./install.sh

重启 Claude Code 后生效。之后每次涉及 PyFixest 相关任务，skill 会自动触发

Codex 用户

将 skill 克隆到你的项目目录下：

cd /path/to/your-projectgit clone https://github.com/luzhiyu-econ/pyfixest-empirical .codex/skills/pyfixest-empiricalcd .codex/skills/pyfixest-empirical./install.sh

更新

cd ~/.claude/skills/pyfixest-empiricalgit pull && ./install.sh

install.sh 是幂等的，重复运行安全。

6. 获取与更新

GitHub 仓库： github.com/luzhiyu-econ/pyfixest-empirical

仓库包含完整的 skill 文件、参考手册和辅助脚本，MIT 许可，可自由使用和修改。