Chaos-Hyper/dsh-econ-tools

📊 dsh-econ-tools — 计量经济学研究助手

为 DeepSeek Harness 提供 6 个开箱即用的计量经济学工具，覆盖从方法选择、数据预处理、模型设定、实证分析、稳健性检验到结果报告的全流程研究需求。

MIT License
DSH Plugin
Changelog

功能一览

| 工具 | 功能 | 适用场景 |
|------|------|----------|
| 🎯 econ_method_guide | 方法指南 — 根据研究问题和数据类型，推荐合适的计量经济学模型与方法 | 研究设计阶段，不确定该用什么模型 |
| 🧹 econ_data_prep | 数据预处理 — 缺失值处理、异常值检测、变量变换、分类变量编码，附带 Python 代码模板 | 拿到原始数据后，开始清洗整理 |
| ⚙️ econ_model_spec | 模型设定与变量选择 — 理论驱动、数据驱动、混合方法、机器学习法（LASSO/Ridge/ElasticNet）四种策略，附带模型诊断检查清单 | 确定核心变量、选择控制变量 |
| 🔬 econ_run_analysis | 实证分析执行 — 支持 OLS、IV/2SLS、Logit、Probit、面板固定效应、DID、RDD，自动生成 Python/R/Stata 代码模板，含回归结果解读指引 | 运行回归、解读结果 |
| 🛡️ econ_robustness | 稳健性分析 — 遗漏变量、测量误差、样本选择、模型设定、异常值影响、平行趋势、安慰剂检验，七大维度全覆盖 | 验证核心结论是否可靠 |
| 📝 econ_report | 结果报告与输出 — 生成描述性统计表、基准回归结果表、稳健性检验汇总表，支持 Markdown / LaTeX / HTML 格式，中英文双语 | 写论文、整理结果表格 |

快速开始

安装

方式一：从 GitHub 安装（推荐）

通过 dsh 命令行直接安装：

dsh plugin --profile web add github:Chaos-Hyper/dsh-econ-tools

方式二：本地文件安装

如果你已有插件源码目录，可直接通过路径安装：

dsh plugin --profile web add /path/to/dsh-econ-tools

或者手动添加到 web profile 的依赖中（编辑 ~/.dsh/profiles/web/package.json）：

"dependencies": {
"dsh-econ-tools": "link:/path/to/dsh-econ-tools"
}

然后在 dsh.profile.bundles 数组中添加 "dsh-econ-tools"，最后运行：

cd ~/.dsh/profiles/web
pnpm install

重启 DSH 后生效。

使用

在对话中，Agent 会自动根据你的研究需求调用合适的工具。例如：

"我想研究教育水平对收入的影响，用截面数据，应该用什么模型？"
→ Agent 调用 econ_method_guide，推荐 OLS、工具变量法等方法

"帮我做一下稳健性检验，看看遗漏变量问题"
→ Agent 调用 econ_robustness，给出 Oster 系数稳定性检验等方案

工具详细说明

1. econ_method_guide — 方法指南

输入参数：
- research_goal：研究目标（因果推断 / 预测 / 政策评估）
- dependent_type：被解释变量类型（连续型 / 二元选择 / 面板数据）
- data_structure：数据结构（横截面 / 时间序列 / 面板数据）
- endogeneity_concern：是否存在内生性（可选）

输出示例：
{
"recommended_models": ["OLS 普通最小二乘法", "DID 双重差分法"],
"methodology_notes": ["进行模型诊断", "使用稳健标准误"],
"next_tools": ["econ_data_prep", "econ_model_spec", "econ_run_analysis"]
}

2. econ_data_prep — 数据预处理

输入参数：
- missing_rate：缺失比例（无缺失 / 少量 / 中等 / 大量）
- outlier_concern：是否关注异常值
- variable_types：变量类型（连续型 / 分类变量 / 虚拟变量）
- need_transformation：是否需要变量变换

输出含 Python 代码模板： 使用 KNNImputer 处理缺失值、Winsorize 处理异常值。

3. econ_model_spec — 模型设定与变量选择

四种策略选择：
| 策略 | 方法 | 适用场景 |
|------|------|----------|
| 理论驱动 | 基于经济理论设定核心模型，逐步添加控制变量 | 经典问题的复现研究 |
| 数据驱动 | 逐步回归 + AIC/BIC 准则 | 变量较多、理论不明确时 |
| 混合方法 | 理论筛选 → 数据驱动 → LASSO 复审 | 大部分实证研究推荐 |
| 机器学习法 | LASSO / Ridge / Elastic Net / 随机森林 | 高维变量、预测导向 |

自动输出模型诊断检查清单（按模型类型区分）。

4. econ_run_analysis — 实证分析执行

支持模型类型： OLS、IV/2SLS、Logit、Probit、面板固定效应、DID、RDD

自动生成代码模板：
- Python：statsmodels + 稳健标准误
- R：fixest + lmtest + sandwich
- Stata：reg + robust

输出包含： 模型公式、回归结果解读指引、需要运行的诊断检验列表。

5. econ_robustness — 稳健性分析

七大维度：
| 维度 | 核心方法 |
|------|----------|
| 遗漏变量 | Oster 2019 系数稳定性检验、Altonji-Elder-Taber 比率 |
| 测量误差 | 替代变量估计、工具变量校正 |
| 样本选择 | Heckman 两阶段、倾向得分匹配 PSM |
| 模型设定 | 改变函数形式、分位数回归、Bootstrap |
| 异常值影响 | Winsorize 1%/5%、剔除极端值、M-estimation |
| 平行趋势 | 事件研究图、虚构处理时间、排列检验 |
| 安慰剂检验 | 随机分配处理变量、虚构处理时间 |

6. econ_report — 结果报告与输出

支持的报告类型：
- 描述性统计表（表 1）
- 基准回归结果表（表 2，含星号标注、控制变量、固定效应、R² 等脚注行）
- 稳健性检验汇总表（表 3）
- 完整研究摘要（三表合一）

输出格式： Markdown、LaTeX、HTML

语言： 中文、English

工作流程建议

典型的计量经济学研究可遵循以下工具链：

econ_method_guide    → 确定研究方法和模型
↓
econ_data_prep       → 清洗和预处理数据
↓
econ_model_spec      → 设定模型、选择变量
↓
econ_run_analysis    → 执行回归分析
↓
econ_robustness      → 验证结果稳健性
↓
econ_report          → 生成结果报告

许可

MIT License