Cte identification

Skill brycewang-stanford/Awesome-Journal-Skills/Finance-and-Trade-Economics-Skills/skills/cte-identification

Journal-specific Claude Code/Codex skill packs covering mainstream journals — AER, QJE, Nature, Cell, 管理世界, 经济研究 & 200+ more — your fast track to getting published. ｜覆盖主流期刊的 Claude Code/Codex 期刊技能包，从选题、识别策略到表格规范与审稿回复全流程，助你快速发论文。

Install

npx -y skills add brycewang-stanford/Awesome-Journal-Skills --skill cte-identification

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

What its author says it does

Copied from the file, not written here

Use when the empirical identification strategy is the bottleneck for a 《财贸经济》 manuscript — fiscal / tax / financial / trade policy shocks and firm- / city- / bank-level quasi-experimental designs (DID, IV, RDD, DML). Stress-tests the design and the policy endogeneity before drafting tables. 本技能服务于《财贸经济》(Finance & Trade Economics, CTE)。

SKILL.md

6.3 KB, as published. Nobody here has run it

因果识别策略（cte-identification）

触发时机

实证主体仅有描述统计 + OLS + 控制变量
核心解释变量是政策 / 制度冲击（税制改革、财政试点、金融监管、贸易政策），但没处理政策内生与预期
DID 用了 TWFE 但没回应近年异质性处理批评（Goodman-Bacon, de Chaisemartin, Sun-Abraham, Callaway-Sant'Anna）
IV 第一阶段 F 弱 / 工具变量排他性疑虑
用了机器学习控制高维协变量但没做正交化 / 交叉拟合（DML）

设计优先级

《财贸经济》编委对财经实证的偏好排序（强 → 弱）：

财经政策冲击 + DID（含 staggered / continuous treatment）——如营改增、减税降费、财政试点、金融监管改革、自贸区 / 关税调整的分批推行
断点回归 / 断点——清晰的政策门槛（如税收优惠资格线、财政转移支付分档线、监管资本门槛、贫困县 / 城市规模分档）
工具变量——强工具 + 排他性论证（处理政策内生与反向因果的核心武器）
双重机器学习（DML）——高维协变量 / 非线性混淆下的稳健处理效应估计
合成控制法——城市 / 省级政策评估（如单一试点城市）
OLS + 严密的内生性讨论（仅在有强外生性论证或结构 / 理论实证时可接受）

财经数据的内生性专项

财经实证最常见的内生性来源，审稿人必查：

政策内生：政策是否非随机地投向"本就更好 / 更差"的地区 / 企业（如试点先选基础好的城市）？
反向因果：是先有金融风险才有监管，还是监管带来风险变化？
预期效应：市场主体是否在政策正式落地前已提前调整（抢出口、突击减税前投资）？
测量与口径：财税口径 / 会计科目 / 贸易统计的可比性与操纵空间

针对性策略至少给出一条：固定效应 + 准实验冲击 / IV / 断点 / DML；纯 Heckman 或纯 PSM 仅作辅助，不能单独立住识别。

分支路径

分支 A：DID

是否 staggered？→ 必须用 Goodman-Bacon 分解 + Callaway-Sant'Anna 或 Sun-Abraham
平行趋势检验：事件研究图必须画，处理时点前系数应不显著
安慰剂：随机分配处理组 / 处理时点 500–1000 次
连续处理（如税率变动幅度）需回应剂量-反应的异质性偏误

分支 B：IV

第一阶段 F 必须 ≥ 10（弱工具 → 用 Anderson-Rubin 或 weak-IV-robust CI）
排他性论证至少 3 段：理论 / 制度 / 安慰剂；说明工具只通过处理变量影响结果
财经常用工具（地理 / 历史 / 政策外生 / Bartik 份额移动）的内生性也要论证
是否报告 reduced form？

分支 C：RDD / 断点

是否做了 McCrary / 密度检验（防止企业 / 地方在门槛附近操纵，如为享税收优惠调节规模）？
带宽：最优带宽（Calonico-Cattaneo-Titiunik）+ 至少 3 个带宽稳健性
协变量平滑性检验；模糊断点需报告一阶段跳跃

分支 D：DML / 双重机器学习

用于高维协变量 / 非线性混淆：交叉拟合（cross-fitting）+ Neyman 正交
报告不同 ML 学习器（lasso / random forest / boosting）下估计的稳健性
说明可识别性仍依赖 CIA / 无未观测混淆假设，不是"上了机器学习就外生"

分支 E：结构估计 / 理论实证

市场主体决策模型的微观基础是否清晰？
识别假设是否明确列出？
是否提供反事实（如税率 / 关税政策模拟）？

Execution bridge (StatsPAI / Stata MCP)

把设计跑出来并审计，而不是只做描述。完整映射见 execution-with-mcp。《财贸经济》是财经实证刊，政策评估与企业 / 城市 / 银行面板为主；突出识别与政策内生性处理。

detect_design → recommend → 用 as_handle=true 拟合 → audit_result 列出尚欠的检查。
**观察性因果：**交错 DID（callaway_santanna / sun_abraham + bacon_decomposition + honest_did_from_result）；IV（effective_f_test + anderson_rubin_ci）；RDD（rdrobust + mccrary_test）；高维混淆用 DML（交叉拟合 + 多学习器稳健性）。
**实验 / 多结果：**随机化推断 + romano_wolf 做多结果族错误率控制。
敏感性：oster_delta / sensemakr 评估未观测混淆。

正文报告经济量级（相当于均值百分比 / 折算金额），完整 battery 进附录；每个数字都能复现。端到端真跑示例见 JF 执行 walkthrough。若 StatsPAI / Stata 未连接，改用 resources/code/ 并标注未验证数字。

必查清单

平行趋势 / 平滑性 / 弱工具 / 交叉拟合稳健性检验都做了
政策内生 / 反向因果 / 预期效应有明确处理（不是一句"我们假设外生"）
安慰剂检验做了（处理时点随机 / 处理组随机）
标准误聚类层次合理（企业 / 城市 / 行业 / 政策推行层级）
是否回应了"政策提前预期"问题（政策落地前的抢跑行为）

反模式

纯描述性统计 + OLS 就下因果结论
政策非随机投放却当外生冲击处理
TWFE + staggered 但不讨论异质性处理偏误
IV 用"历史 / 地理变量"但不论证它不通过其他渠道影响当代财经结果
RDD 用了门槛但不做密度检验（主体可能操纵分组）
上了机器学习就宣称"控制了内生性"

输出格式

【识别策略】DID / IV / RDD / DML / 合成控制 / 结构估计
【政策内生处理】方式：[...]
【已完成检验】[平行趋势, 安慰剂, 弱工具, 交叉拟合, 密度检验, ...]
【缺失检验】[...]
【聚类层次】企业 / 城市 / 行业 / ...
【下一步】cte-mechanism