ssci-subagent-skills 1.0.0

package/skills/did-analysis/references/BEST_PRACTICES.md

@@ -0,0 +1,553 @@
+# DID分析最佳实践指南
+
+## 🎯 质量控制体系
+
+### 四层质量控制架构
+
+#### 第一层：实验设计质量控制
+- **政策机制分析深度**：理论基础的扎实程度
+- **组别选择科学性**：实验组对照组选择的合理性
+- **时间窗口适当性**：处理时间和观察窗口的设定
+- **变量设定有效性**：处理变量和控制变量的定义
+
+#### 第二层：模型设定质量控制
+- **识别假设满足度**：DID识别假设的满足程度
+- **模型设定适合性**：模型选择与数据特征的匹配
+- **估计方法正确性**：计量估计方法的理论正确性
+- **内生性处理充分性**：内生性问题的识别和处理
+
+#### 第三层：估计结果质量控制
+- **平行趋势假设检验**：平行趋势假设的统计检验
+- **估计精度评估**：估计结果的精度和可靠性
+- **稳健性检验充分性**：多种稳健性检验的覆盖
+- **结果解释合理性**：统计结果的理论解释合理性
+
+#### 第四层：政策建议质量控制
+- **因果推断有效性**：因果推断的科学性和可靠性
+- **政策相关性评估**：分析与政策问题的相关性
+- **建议可行性分析**：政策建议的现实可行性
+- **外推有效性评估**：结果推广的适用范围
+
+## 📋 质量检验清单
+
+### 实验设计阶段检验清单
+
+#### ✅ 政策机制分析检验
+- [ ] 是否深入分析了政策的作用机制？
+- [ ] 是否识别了主要的因果链条？
+- [ ] 是否考虑了政策的异质性效应？
+- [ ] 是否评估了政策的时间滞后效应？
+
+#### ✅ 实验组对照组选择检验
+- [ ] 实验组是否真正受到政策影响？
+- [ ] 对照组是否与实验组具有可比性？
+- [ ] 是否进行了平衡性检验？
+- [ ] 是否考虑了多种匹配方案？
+
+#### ✅ 时间窗口设定检验
+- [ ] 政策实施时间是否准确定义？
+- [ ] 处理前窗口是否足够长以检验平行趋势？
+- [ ] 处理后窗口是否足够长以观察政策效果？
+- [ ] 是否考虑了季节性和周期性因素？
+
+#### ✅ 变量设定检验
+- [ ] 处理变量是否准确反映政策处理？
+- [ ] 控制变量是否基于理论和文献选择？
+- [ ] 变量测量是否可靠有效？
+- [ ] 是否考虑了变量构造的合理性？
+
+### 模型设定阶段检验清单
+
+#### ✅ DID基本假设检验
+- [ ] 平行趋势假设是否得到检验？
+- [ ] 无预期效应假设是否得到验证？
+- [ ] SUTVA假设是否得到讨论？
+- [ ] 处理外生性是否得到评估？
+
+#### ✅ 模型选择检验
+- [ ] 模型选择是否基于数据特征？
+- [ ] 是否考虑了多种模型设定？
+- [ ] 模型复杂度是否与样本量匹配？
+- [ ] 是否进行了模型设定检验？
+
+#### ✅ 估计方法检验
+- [ ] 估计方法是否适合研究问题？
+- [ ] 标准误计算是否正确？
+- [ ] 是否考虑了聚类标准误？
+- [ ] 是否进行了估计方法的敏感性分析？
+
+### 估计结果阶段检验清单
+
+#### ✅ 统计显著性检验
+- [ ] 估计效应是否具有统计显著性？
+- [ ] 置信区间是否合理？
+- [ ] p值是否正确解释？
+- [ ] 是否考虑了多重比较问题？
+
+#### ✅ 经济显著性检验
+- [ ] 效应大小是否具有实际意义？
+- [ ] 是否与相关研究进行了比较？
+- [ ] 是否考虑了效应的政策含义？
+- [ ] 是否评估了效应的持续性？
+
+#### ✅ 稳健性检验
+- [ ] 是否进行了安慰剂检验？
+- [ ] 是否进行了样本敏感性分析？
+- [ ] 是否进行了模型设定敏感性分析？
+- [ ] 是否考虑了未观测因素的干扰？
+
+### 政策建议阶段检验清单
+
+#### ✅ 因果推断有效性检验
+- [ ] 因果推断的逻辑是否严密？
+- [ ] 是否排除了竞争性解释？
+- [ ] 是否讨论了识别假设的局限性？
+- [ ] 是否评估了因果推断的不确定性？
+
+#### ✅ 政策相关性检验
+- [ ] 分析结果是否直接回答政策问题？
+- [ ] 政策建议是否基于分析结果？
+- [ ] 是否考虑了政策实施的现实约束？
+- [ ] 是否评估了政策的成本效益？
+
+## 🛠️ 最佳实践操作指南
+
+### 实验设计最佳实践
+
+#### 1. 政策机制深度分析
+```python
+# 政策机制分析框架
+def analyze_policy_mechanism(policy_info):
+    """
+    政策机制分析的最佳实践
+    
+    分析步骤：
+    1. 梳理政策目标和理论基础
+    2. 识别主要作用渠道
+    3. 分析预期效应模式
+    4. 考虑异质性来源
+    """
+    mechanism_analysis = {
+        'policy_objectives': policy_info['objectives'],
+        'theoretical_foundations': policy_info['theory'],
+        'causal_channels': identify_causal_channels(policy_info),
+        'expected_effects': predict_expected_effects(policy_info),
+        'heterogeneity_sources': identify_heterogeneity_sources(policy_info)
+    }
+    
+    return mechanism_analysis
+```
+
+#### 2. 实验组对照组科学选择
+```python
+# 倾向得分匹配最佳实践
+def select_optimal_control_group(treated_units, pool_controls, covariates):
+    """
+    对照组选择最佳实践
+    
+    选择标准：
+    1. 倾向得分匹配
+    2. 平衡性检验
+    3. 共同支撑域检查
+    4. 匹配质量评估
+    """
+    # 倾向得分估计
+    propensity_scores = estimate_propensity_scores(treated_units, pool_controls, covariates)
+    
+    # 匹配算法
+    matched_controls = perform_matching(treated_units, pool_controls, propensity_scores)
+    
+    # 平衡性检验
+    balance_tests = conduct_balance_tests(treated_units, matched_controls, covariates)
+    
+    # 匹配质量评估
+    match_quality = assess_match_quality(balance_tests, propensity_scores)
+    
+    return {
+        'matched_controls': matched_controls,
+        'balance_tests': balance_tests,
+        'match_quality': match_quality
+    }
+```
+
+#### 3. 时间窗口优化设定
+```python
+# 时间窗口优化算法
+def optimize_time_window(data, treatment_time, outcome_var):
+    """
+    时间窗口优化最佳实践
+    
+    优化原则：
+    1. 确保足够的前处理期
+    2. 考虑政策效应滞后
+    3. 平衡统计功效和数据质量
+    4. 避免外部冲击干扰
+    """
+    # 前处理期长度检验
+    pre_period_min = check_minimum_pre_period(data, treatment_time)
+    
+    # 后处理期效应分析
+    post_period_effects = analyze_post_period_effects(data, treatment_time, outcome_var)
+    
+    # 最优窗口建议
+    optimal_window = recommend_optimal_window(pre_period_min, post_period_effects)
+    
+    return optimal_window
+```
+
+### 模型设定最佳实践
+
+#### 1. 平行趋势假设检验
+```python
+# 平行趋势检验综合框架
+def comprehensive_parallel_trend_test(data, entity_col, time_col, treatment_col, outcome_col):
+    """
+    平行趋势检验最佳实践
+    
+    检验方法：
+    1. 图形检验
+    2. 统计检验
+    3. 事件研究分析
+    4. 预处理效应检验
+    """
+    # 趋势图检验
+    trend_plot = create_trend_plot(data, entity_col, time_col, treatment_col, outcome_col)
+    
+    # 统计检验
+    statistical_test = conduct_statistical_trend_test(data, entity_col, time_col, treatment_col, outcome_col)
+    
+    # 事件研究
+    event_study_results = estimate_event_study(data, entity_col, time_col, treatment_col, outcome_col)
+    
+    # 预处理效应检验
+    pre_treatment_test = test_pre_treatment_effects(data, entity_col, time_col, treatment_col, outcome_col)
+    
+    return {
+        'trend_plot': trend_plot,
+        'statistical_test': statistical_test,
+        'event_study': event_study_results,
+        'pre_treatment_test': pre_treatment_test,
+        'overall_assessment': assess_parallel_trend_validity(statistical_test, event_study_results)
+    }
+```
+
+#### 2. 稳健性检验综合框架
+```python
+# 稳健性检验综合方案
+def comprehensive_robustness_tests(data, entity_col, time_col, treatment_col, outcome_col):
+    """
+    稳健性检验最佳实践
+    
+    检验类型：
+    1. 安慰剂检验
+    2. 样本敏感性分析
+    3. 模型设定敏感性
+    4. 测量误差敏感性
+    """
+    robustness_results = {}
+    
+    # 安慰剂检验
+    robustness_results['placebo_tests'] = conduct_placebo_tests(
+        data, entity_col, time_col, treatment_col, outcome_col
+    )
+    
+    # 样本敏感性
+    robustness_results['sample_sensitivity'] = conduct_sample_sensitivity_analysis(
+        data, entity_col, time_col, treatment_col, outcome_col
+    )
+    
+    # 模型设定敏感性
+    robustness_results['model_sensitivity'] = conduct_model_sensitivity_analysis(
+        data, entity_col, time_col, treatment_col, outcome_col
+    )
+    
+    # 测量误差敏感性
+    robustness_results['measurement_sensitivity'] = conduct_measurement_sensitivity_analysis(
+        data, entity_col, time_col, treatment_col, outcome_col
+    )
+    
+    return robustness_results
+```
+
+### 结果解释最佳实践
+
+#### 1. 因果效应解释框架
+```python
+# 因果效应深度解释
+def interpret_causal_effects(did_results, context_info):
+    """
+    因果效应解释最佳实践
+    
+    解释维度：
+    1. 统计意义
+    2. 经济意义
+    3. 理论意义
+    4. 政策意义
+    """
+    interpretation = {}
+    
+    # 统计意义解释
+    interpretation['statistical'] = interpret_statistical_significance(did_results)
+    
+    # 经济意义解释
+    interpretation['economic'] = interpret_economic_significance(did_results, context_info)
+    
+    # 理论意义解释
+    interpretation['theoretical'] = interpret_theoretical_implications(did_results, context_info)
+    
+    # 政策意义解释
+    interpretation['policy'] = interpret_policy_implications(did_results, context_info)
+    
+    return interpretation
+```
+
+#### 2. 政策建议制定框架
+```python
+# 政策建议科学制定
+def generate_evidence_based_policy_recommendations(did_results, context_info, constraints):
+    """
+    政策建议制定最佳实践
+    
+    建议原则：
+    1. 基于证据
+    2. 考虑约束
+    3. 评估可行性
+    4. 风险评估
+    """
+    recommendations = {}
+    
+    # 效果评估
+    effectiveness = assess_policy_effectiveness(did_results)
+    
+    # 可行性分析
+    feasibility = analyze_policy_feasibility(did_results, constraints)
+    
+    # 风险评估
+    risks = assess_policy_risks(did_results, context_info)
+    
+    # 建议生成
+    recommendations = generate_recommendations(effectiveness, feasibility, risks)
+    
+    return recommendations
+```
+
+## ⚠️ 常见陷阱与解决方案
+
+### 陷阱1: 平行趋势假设检验不充分
+**表现**: 只进行图形检验，缺乏统计验证
+**后果**: 因果识别假设不成立，结果有偏
+**解决方案**:
+```python
+# 综合平行趋势检验
+def comprehensive_parallel_trend_validation(data):
+    """综合验证平行趋势假设"""
+    # 1. 图形检验
+    visual_test = plot_trends(data)
+    
+    # 2. 统计检验
+    statistical_test = trend_significance_test(data)
+    
+    # 3. 事件研究
+    event_study = event_study_analysis(data)
+    
+    # 4. 预处理效应检验
+    pre_treatment_test = pre_treatment_effects_test(data)
+    
+    return {
+        'visual_evidence': visual_test,
+        'statistical_evidence': statistical_test,
+        'dynamic_evidence': event_study,
+        'pre_treatment_evidence': pre_treatment_test,
+        'overall_validity': combine_evidence(visual_test, statistical_test, event_study, pre_treatment_test)
+    }
+```
+
+### 陷阱2: 内生性问题处理不当
+**表现**: 忽视政策处理可能存在的内生性
+**后果**: 估计结果有偏，因果推断无效
+**解决方案**:
+```python
+# 内生性诊断和处理
+def address_endogeneity_issues(data, instruments=None):
+    """处理内生性问题"""
+    # 1. 内生性诊断
+    endogeneity_test = test_endogeneity(data)
+    
+    # 2. 工具变量法（如有工具变量）
+    if instruments:
+        iv_results = instrumental_variables_estimation(data, instruments)
+    else:
+        iv_results = None
+    
+    # 3. 控制函数法
+    control_function_results = control_function_approach(data)
+    
+    # 4. 敏感性分析
+    sensitivity_analysis = endogeneity_sensitivity_analysis(data)
+    
+    return {
+        'endogeneity_test': endogeneity_test,
+        'iv_results': iv_results,
+        'control_function_results': control_function_results,
+        'sensitivity_analysis': sensitivity_analysis
+    }
+```
+
+### 陷阱3: 稳健性检验不全面
+**表现**: 只进行单一类型的稳健性检验
+**后果**: 结果可靠性无法充分验证
+**解决方案**:
+```python
+# 全面稳健性检验框架
+def comprehensive_robustness_framework(data):
+    """全面的稳健性检验框架"""
+    robustness_checks = {
+        # 1. 安慰剂检验
+        'placebo_tests': {
+            'random_placebo_treatment': random_placebo_test(data),
+            'fake_treatment_time': fake_treatment_time_test(data),
+            'placebo_outcomes': placebo_outcome_test(data)
+        },
+        
+        # 2. 样本敏感性
+        'sample_sensitivity': {
+            'leave_one_out': leave_one_out_analysis(data),
+            'subsample_analysis': subsample_analysis(data),
+            'different_time_windows': time_window_sensitivity(data)
+        },
+        
+        # 3. 模型设定敏感性
+        'model_sensitivity': {
+            'different_specifications': alternative_specifications(data),
+            'different_estimators': alternative_estimators(data),
+            'clustering_alternatives': clustering_sensitivity(data)
+        },
+        
+        # 4. 测量误差敏感性
+        'measurement_sensitivity': {
+            'alternative_measurements': alternative_measurements_test(data),
+            'classical_errors': classical_errors_test(data),
+            'validation_samples': validation_sample_test(data)
+        }
+    }
+    
+    return robustness_checks
+```
+
+### 陷阱4: 政策建议脱离实际
+**表现**: 基于统计结果直接提出政策建议，忽视现实约束
+**后果**: 建议不可行，缺乏实践价值
+**解决方案**:
+```python
+# 现实约束下的政策建议
+def realistic_policy_recommendations(did_results, real_world_constraints):
+    """考虑现实约束的政策建议"""
+    # 1. 约束条件分析
+    constraints_analysis = analyze_constraints(real_world_constraints)
+    
+    # 2. 成本效益分析
+    cost_benefit = cost_benefit_analysis(did_results, constraints_analysis)
+    
+    # 3. 实施可行性评估
+    implementation_feasibility = assess_implementation_feasibility(
+        did_results, constraints_analysis
+    )
+    
+    # 4. 风险评估
+    risk_assessment = assess_policy_risks(did_results, constraints_analysis)
+    
+    # 5. 分阶段实施建议
+    phased_implementation = design_phased_implementation(
+        did_results, constraints_analysis, risk_assessment
+    )
+    
+    return {
+        'constraints_analysis': constraints_analysis,
+        'cost_benefit': cost_benefit,
+        'implementation_feasibility': implementation_feasibility,
+        'risk_assessment': risk_assessment,
+        'phased_implementation': phased_implementation
+    }
+```
+
+## 📊 质量评估指标体系
+
+### 综合质量指数
+```python
+# DID分析综合质量评估
+def calculate_did_quality_score(analysis_results):
+    """计算DID分析的综合质量分数"""
+    
+    # 权重设置
+    weights = {
+        'experimental_design': 0.25,
+        'model_specification': 0.25,
+        'estimation_quality': 0.30,
+        'interpretation_quality': 0.20
+    }
+    
+    # 各维度评分
+    scores = {
+        'experimental_design': score_experimental_design(analysis_results),
+        'model_specification': score_model_specification(analysis_results),
+        'estimation_quality': score_estimation_quality(analysis_results),
+        'interpretation_quality': score_interpretation_quality(analysis_results)
+    }
+    
+    # 综合分数
+    overall_score = sum(scores[dimension] * weights[dimension] for dimension in scores)
+    
+    return {
+        'overall_score': overall_score,
+        'dimension_scores': scores,
+        'quality_level': determine_quality_level(overall_score),
+        'improvement_suggestions': generate_improvement_suggestions(scores)
+    }
+
+def determine_quality_level(score):
+    """确定质量等级"""
+    if score >= 0.9:
+        return "优秀"
+    elif score >= 0.8:
+        return "良好"
+    elif score >= 0.7:
+        return "合格"
+    elif score >= 0.6:
+        return "需要改进"
+    else:
+        return "不合格"
+```
+
+## 🚀 持续改进机制
+
+### 学习型质量改进
+```python
+# 基于历史数据的质量改进
+def quality_improvement_learning(historical_analyses):
+    """基于历史分析的质量改进学习"""
+    
+    # 1. 成功案例模式识别
+    success_patterns = identify_success_patterns(historical_analyses)
+    
+    # 2. 失败案例原因分析
+    failure_causes = analyze_failure_causes(historical_analyses)
+    
+    # 3. 最佳实践提取
+    best_practices = extract_best_practices(success_patterns)
+    
+    # 4. 改进建议生成
+    improvement_recommendations = generate_improvement_recommendations(
+        best_practices, failure_causes
+    )
+    
+    return {
+        'success_patterns': success_patterns,
+        'failure_causes': failure_causes,
+        'best_practices': best_practices,
+        'improvement_recommendations': improvement_recommendations
+    }
+```
+
+---
+
+*本指南将根据实践发展和用户反馈持续更新完善，确保DID分析的科学性和实用性。*