stata-mcp 六步急救包 | 农村金融业务及监管

适用课程：《农村金融业务及监管》（农村发展专业硕士） 适用人群：没有系统学过计量经济学、不会写 Stata 代码，但需要完成实证分析的研究生 核心理念：你负责研究问题与结果解读，AI 负责翻译 Stata 命令

前置要求

在开始之前，请确认以下环境已就绪：

项目	要求	检查方法
Stata 版本	17 或以上	打开 Stata → 菜单栏 Help → About Stata
stata-mcp 已配置	Qoder 中可调用 stata-mcp	在 Qoder 对话框输入"帮我用 Stata 打开一个数据"看是否响应
测试数据集	CFPS2018 子集（教学用）	课程群文件下载 `CFPS2018_teaching.dta`
英文变量对照表	变量名→含义映射	课程群文件下载 `CFPS2018_codebook.xlsx`

没有 Stata 许可证？ 跳到底部「Python 备选方案」章节，每步都提供了 statsmodels/linearmodels 等价命令。

学习路径图

┌─────────────────────────────────────────────────────┐
│  基础段（约 1 小时）                                  │
│  Step 1 数据导入 → Step 2 描述统计 → Step 3 可视化   │
│  目标：能打开数据、看懂变量、画出第一张图             │
├─────────────────────────────────────────────────────┤
│  核心段（约 30 分钟）⭐                               │
│  Step 4 基本回归（OLS + 聚类标准误）                  │
│  目标：跑出第一张回归表、看懂系数和星号               │
├─────────────────────────────────────────────────────┤
│  进阶段（约 1 小时）⭐⭐                              │
│  Step 5 内生性处理（IV/2SLS）→ Step 6 异质性+稳健性  │
│  目标：理解因果推断逻辑、完成完整的实证分析闭环       │
└─────────────────────────────────────────────────────┘

建议按顺序完成 Step 1-4 后再进入 Step 5-6。每步的 Prompt 可直接复制粘贴到 Qoder 对话框。

Step 1：数据导入 ⏱ 10 分钟｜难度 ★☆☆

自然语言 Prompt

把这份 Excel 文件 'CFPS2018.xlsx' 转成 Stata 格式，Sheet1，
变量名标准化为英文小写下划线命名。

Stata 命令

stata

import excel "CFPS2018.xlsx", sheet("Sheet1") firstrow clear
rename (var1 var2 var3) (id income digital_finance)
destring income, replace force
save "data.dta", replace

结果解读

导入成功提示：N=1234，表示 1234 条观测值已进入内存
变量列表：id（家庭编号）、income（年收入）、digital_finance（数字金融使用指数）等
缺失率：检查 misstable summarize，低于 5% 可接受，高于 10% 需要审慎处理
destring 后检查：codebook income 确认数值型，不应有字母混入

常见报错与排错

报错 1：文件路径含中文或空格

file not found: /Users/张三/课件 资料/CFPS2018.xlsx

排错：Stata 对中文路径和空格敏感。解决方案——将数据文件移动到纯英文路径（如 D:/data/），或在路径中使用双引号包裹。macOS 用户可把文件放到 ~/Documents/data/ 下。

报错 2：变量名乱码

import 后变量名显示为 v1, v2, v3 或乱码方块

排错：Excel 首行不是标准变量名，或包含合并单元格。解决——打开 Excel 确认第一行是干净的英文变量名（无空格、无特殊字符），删除合并单元格后重新导入。

报错 3：destring 失败

income: contains nonnumeric characters; no replace

排错：数据列混入了文字（如"缺省""NA"）。解决——先 tab income 查看异常值，再用 destring income, replace force（force 会将非数值强制转为缺失值），或 replace income = "" if income == "NA" 先清洗再转换。

Skill 化提示词模板

【背景】我有一份 {数据格式} 格式的数据文件，存放于 {文件路径}。
【输入】文件名：{filename}，工作表：{sheet_name}，第一行为变量名。
【期望输出】
1. 导入 Stata 并自动识别变量名
2. 将所有变量名转为英文小写下划线命名
3. 数值型变量强制转换（非数值标记为缺失）
4. 保存为 .dta 格式到 {输出路径}
【环境检查】确认 Stata 版本≥17，文件路径无中文/空格
【回退方案】若 destring 报错，先 tab 检查异常值再 force 转换

Step 2：描述统计 ⏱ 10 分钟｜难度 ★☆☆

自然语言 Prompt

对所有变量做描述统计，按城乡分组（变量 urban: 0=农村, 1=城镇），
输出到 Word 表格。

Stata 命令

stata

* 全样本描述统计
estpost summarize income digital_finance age education, detail
esttab using "desc.doc", cells("count mean sd min max") replace

* 按城乡分组
estpost summarize income digital_finance, by(urban)
esttab using "desc_by.doc", cells("count mean sd") replace

* 均值差异 t 检验
ttest income, by(urban)
ttest digital_finance, by(urban)

结果解读

均值（mean）：变量的平均水平。如农村组 digital_finance 均值 0.34，表示农村农户数字金融使用率约 34%
标准差（sd）：数据的离散程度，标准差越大说明个体差异越大
t 检验 p 值：p<0.05 表示两组差异在统计上显著。如城乡数字金融使用差异 t=12.4, p<0.01，说明城镇显著高于农村
输出到 Word：esttab 生成的 .doc 文件可直接在 Word 中打开并粘贴到论文中

常见报错与排错

报错 1：变量类型不匹配

type mismatch

排错：urban 变量可能是字符串类型而非数值型。解决——destring urban, replace，或检查 codebook urban 确认类型。如果原始编码是"农村""城镇"文本，需要先 encode urban, gen(urban_num) 转为数值。

报错 2：esttab 命令不存在

unrecognized command: esttab

排错：esttab 属于 estout 包，需手动安装。执行 ssc install estout, replace，安装后重新运行即可。

报错 3：Word 文件打不开

esttab 输出的 .doc 文件在 Word 中格式错乱

排错：esttab 输出的并非标准 .docx 格式。解决——改用 esttab using "desc.rtf", replace（RTF 格式 Word 兼容性更好），或输出 .tex 后在 LaTeX 中编译。

Skill 化提示词模板

【背景】已完成数据导入，当前 Stata 内存中有 {N} 条观测、{K} 个变量。
【输入】核心变量列表：{var_list}，分组变量：{group_var}（取值含义：{取值说明}）。
【期望输出】
1. 全样本描述统计表（N、均值、标准差、最小值、最大值）
2. 按 {group_var} 分组的描述统计表
3. 组间均值差异 t 检验结果
4. 输出为 Word/RTF 格式文件
【环境检查】确认 estout 包已安装（ssc install estout）
【回退方案】若 esttab 不可用，改用 summarize + logout 输出

Step 3：可视化 ⏱ 10 分钟｜难度 ★☆☆

自然语言 Prompt

画一张数字金融使用的直方图，按城乡分组叠加，
再画一张散点图看收入和数字金融的关系。

Stata 命令

stata

* 直方图——按城乡分组
histogram digital_finance, by(urban) normal
graph save "hist.gph", replace
graph export "hist.png", width(1200) replace

* 散点图+线性拟合——按城乡分组
twoway (scatter income digital_finance) (lfit income digital_finance), by(urban)
graph save "scatter.gph", replace
graph export "scatter.png", width(1200) replace

* 相关系数矩阵
pwcorr income digital_finance age education, star(0.05) sig

结果解读

直方图：观察分布形状。右偏说明多数人数字金融使用率低，少数人使用率很高
散点图：每个点代表一个观测。如果点从左下到右上分布，说明正相关
拟合线（lfit）：蓝色直线的斜率方向反映相关方向。城镇组斜率更陡说明关系更强
相关系数：0.42（p<0.01）表示中等程度正相关，具有统计显著性

常见报错与排错

报错 1：图形中文显示乱码/方块

图中的中文标题、坐标轴标签显示为方块 □□□

排错：Stata 默认字体不包含中文字符。解决——在画图前设置中文字体：

stata

graph set window fontface "STSong"     // macOS 宋体
* 或
set scheme s1mono                       // 切换到纯英文标注方案

报错 2：中文字体缺失（Windows 系统）

font "STSong" not found

排错：Windows 系统没有 STSong 字体。解决——改用 graph set window fontface "SimSun"（宋体）或 graph set window fontface "Microsoft YaHei"（微软雅黑）。

报错 3：graph export 输出模糊

导出的图片分辨率太低，论文中看不清

排错：默认分辨率不足。解决——加 width(1200) 或 width(2400) 参数，或使用 graph export "fig1.pdf", replace（矢量图，论文投稿首选）。

Skill 化提示词模板

【背景】已完成描述统计，需要对核心变量做可视化展示。
【输入】目标变量：{var_list}，分组变量：{group_var}。
【期望输出】
1. {变量A} 的直方图（按 {group_var} 分面）
2. {变量A} 与 {变量B} 的散点图+线性拟合线
3. 相关系数矩阵（含显著性星号）
4. 所有图导出为 PNG（1200px 宽）和 PDF（矢量）
【环境检查】确认中文字体已配置（graph set window fontface）
【回退方案】若中文乱码，改用英文标注或 s1mono scheme

Step 4：基本回归 ⏱ 20 分钟｜难度 ★★☆ ⭐ 核心步骤

自然语言 Prompt

用 OLS 回归 income_log = digital_finance + 控制变量（age, education, land_size），
聚类稳健标准误到县级。

Stata 命令

stata

* 生成对数收入变量
gen income_log = ln(income)

* OLS 回归 + 聚类标准误
reg income_log digital_finance age i.education i.land_size, vce(cluster county_id)

* 输出回归表
eststo ols1
esttab ols1 using "reg1.doc", b(%9.3f) se(%9.3f) star(* 0.1 ** 0.05 *** 0.01) replace

* 检查多重共线性
vif

结果解读

系数（coef/b）：digital_finance 系数 0.234*** 表示数字金融使用每提高 1 单位，收入提高约 23.4%（因为因变量取了对数，系数可近似解读为百分比变化）
星号含义：*** p<0.01（99% 置信度），** p<0.05，* p<0.1。没有星号说明不显著
标准误（se）：系数下方的括号数字，越小越精确。聚类标准误比普通标准误更大更保守
R²：模型解释力，0.15-0.30 在微观调查中属正常范围
vif：方差膨胀因子，大于 10 说明存在严重多重共线性需要处理
i.education：i. 前缀表示将变量作为分类变量处理（虚拟变量）， education 的不同取值会自动生成虚拟变量

常见报错与排错

报错 1：多重共线性警告

note: land_size omitted because of collinearity

排错：某个控制变量与其他变量高度相关被 Stata 自动剔除。解决——先跑 vif 查看方差膨胀因子，如果 vif>10，考虑删除该变量或合并相关变量。也可用 corr 查看变量间相关矩阵。

报错 2：聚类标准误报错

insufficient observations for cluster robust estimation
number of clusters (45) insufficient; minimum is 50

排错：聚类单元（县）数量太少（经验法则至少 42-50 个聚类）。解决——尝试更高层级聚类（如 vce(cluster province_id)），或使用 wildbootstrap 方法（ssc install wildbootstrap）进行小样本修正。

报错 3：对数变换报错

income_log = ln(income) 出现 missing values

排错：income 中有 0 或负值。解决——使用 gen income_log = ln(income + 1)（加 1 取对数），或先 drop if income <= 0 剔除异常值后在论文中说明。

Skill 化提示词模板

【背景】研究问题——{X} 对 {Y} 的影响。理论假设：{X} 正向/负向影响 {Y}。
【输入】
- 因变量：{Y}（处理：{是否取对数/标准化}）
- 核心自变量：{X}
- 控制变量：{controls_list}
- 聚类层级：{cluster_var}（共 {N_cluster} 个聚类单元）
【期望输出】
1. OLS 回归表（系数+聚类标准误+显著性星号）
2. VIF 多重共线性检查
3. 样本量、R²、F 统计量
【环境检查】确认聚类数≥50，因变量无 0/负值（若取对数）
【回退方案】若聚类数不足，改用 wildbootstrap 或聚类到更高层级

Step 5：内生性处理 ⏱ 20 分钟｜难度 ★★★ ⭐⭐

自然语言 Prompt

担心反向因果（高收入农户更倾向使用数字金融）和遗漏变量（家庭偏好），
请用工具变量法，工具变量是同村其他农户的平均数字金融使用。

Stata 命令

stata

* 构造工具变量：同村其他农户的平均数字金融使用
bysort village_id: egen iv_village = mean(digital_finance)
* 更精确：剔除自身后的同村均值
bysort village_id: egen total_df = sum(digital_finance)
gen iv_village = (total_df - digital_finance) / (_N - 1)

* 2SLS 回归
ivregress 2sls income_log (digital_finance = iv_village) age i.education i.land_size, vce(cluster county_id)

* 第一阶段检验
estat firststage

* 过度识别检验（仅当工具变量数>内生变量数时可用）
estat overid

* 输出回归表
eststo iv1
esttab iv1 using "reg2.doc", replace

结果解读

第一阶段 F 值：F=18.5 > 10（Stock-Yogo 弱工具变量临界值），说明工具变量与内生变量相关性强，不是弱工具
第二阶段系数：0.412 > OLS 的 0.234，说明 OLS 低估了真实效应（存在反向因果导致的向下偏估）
经济学含义：修正内生性后，数字金融使用每提高 1 单位，收入提高约 41.2%
过度识别 Sargan/Hansen 检验：p>0.1 说明不能拒绝"工具变量外生"的原假设，工具变量有效

常见报错与排错

报错 1：弱工具变量（第一阶段 F<10）

First-stage F statistic = 3.2, suggesting weak instruments

排错：工具变量与内生变量相关性太弱。解决——（1）换一个更强的工具变量；（2）增加工具变量数量；（3）使用有限信息最大似然估计 ivregress liml，它对弱工具更稳健；（4）在论文中诚实报告弱工具问题并讨论偏误方向。

报错 2：过度识别检验不通过

Sargan-Hansen test: chi2 = 15.3, p = 0.002

排错：p<0.05 拒绝原假设，说明至少有一个工具变量不满足外生性条件。解决——（1）删除可疑的内生工具变量，减少工具变量数；（2）重新审视工具变量的排他性约束（该工具变量是否真的只通过 X 影响 Y？）；（3）在论文中讨论并做敏感性分析。

报错 3：ivregress 命令不存在

unrecognized command: ivregress

排错：Stata 17 内置 ivregress，但旧版可能需要安装。解决——ssc install ivreg2, replace（ivreg2 是增强版，功能更全），或使用 ssc install ivregress。

Skill 化提示词模板

【背景】在 Step 4 的 OLS 基础上，担心存在 {内生性来源}（如反向因果/遗漏变量）。
【输入】
- 内生变量：{X}
- 工具变量：{IV}，选择理由：{排他性约束论证}
- 控制变量与聚类层级同 Step 4
【期望输出】
1. 构造工具变量（如同村均值/剔除自身后的 leave-one-out 均值）
2. 2SLS 回归结果
3. 第一阶段 F 统计量（弱工具检验，临界值 10）
4. 过度识别检验（若工具变量数>1）
5. 与 OLS 系数的对比讨论
【环境检查】确认工具变量与内生变量的理论关系有文献支撑
【回退方案】若 F<10，改用 LIML 或报告弱工具偏误方向；若过度识别不通过，删除可疑 IV

Step 6：异质性 + 稳健性 ⏱ 20 分钟｜难度 ★★★ ⭐⭐⭐

自然语言 Prompt

分东中西三组回归看异质性，并替换被解释变量为 income_rate 检验稳健性。

Stata 命令

stata

* 定义控制变量全局宏（简化后续命令）
global controls "age i.education i.land_size"

* 异质性分析：分东中西三组
eststo m1: reg income_log digital_finance $controls if east==1, vce(cluster county_id)
eststo m2: reg income_log digital_finance $controls if east==2, vce(cluster county_id)
eststo m3: reg income_log digital_finance $controls if east==3, vce(cluster county_id)
esttab m1 m2 m3 using "hetero.doc", replace

* 组间系数差异检验（Chow 检验近似）
suest m1 m2 m3
test [m1_mean]digital_finance = [m2_mean]digital_finance

* 稳健性检验：替换被解释变量
gen income_rate = income / household_income
eststo n1: reg income_rate digital_finance $controls, vce(cluster county_id)
esttab n1 using "robust.doc", replace

* 稳健性检验：缩尾处理后重新回归
winsor2 income_log digital_finance, cuts(1 99) replace
eststo n2: reg income_log digital_finance $controls, vce(cluster county_id)
esttab n2 using "robust2.doc", replace

结果解读

异质性：东部系数 0.45***，中部 0.28**，西部 0.08（不显著）——数字金融增收效应存在区域差异，东部最强，西部不显著，可能原因是数字基础设施差距
组间差异检验：suest + test 的 p 值若<0.05，说明东中西系数差异在统计上显著
稳健性：替换被解释变量后系数在 0.21-0.27 区间稳定，说明结论不依赖于特定指标定义
缩尾处理：1%/99% 缩尾后系数变化不大，说明极端值没有驱动结果

常见报错与排错

报错 1：分组后样本量不足

insufficient observations

排错：某一分组（如西部）样本量太少。解决——（1）用 tab east 检查各组样本量，少于 30 的组考虑合并（如"中西部合并"）；（2）在论文中注明该组样本量不足的局限。

报错 2：suest 命令报错

suest: model m1 was not found

排错：eststo 存储的名称在 suest 中无法直接调用。解决——使用 reg ... if east==1 后 estimates store m1（注意不是 eststo），suest 需要 estimates store 的名称。

报错 3：替换变量无法获取

household_income not found

排错：数据集中没有这个变量名。解决——检查 describe 输出，确认变量名。有时变量名不同（如 hh_income 或 total_income），需要根据实际 codebook 调整。

Skill 化提示词模板

【背景】Step 4-5 已获得基准结果，需要检验结论的边界条件和稳健性。
【输入】
- 异质性分组变量：{group_var}（取值：{取值含义}）
- 替换被解释变量：{alt_Y}（构造方法：{如何计算}）
- 缩尾比例：{1%/5%}
【期望输出】
1. 分组回归表（并列展示各子样本系数+显著性）
2. 组间系数差异检验（Chow/suest test）
3. 替换被解释变量的稳健性回归表
4. 缩尾处理后的稳健性回归表
5. 一段文字总结：哪些结论稳健、异质性发现
【环境检查】确认各组样本量≥30，变量名与 codebook 一致
【回退方案】若某组样本量不足，合并相邻组并说明

Python 备选方案（无 Stata 许可证的同学）

每步对应的 Python 等价实现（使用 statsmodels + linearmodels）：

Step 1 数据导入

python

import pandas as pd
df = pd.read_excel("CFPS2018.xlsx", sheet_name="Sheet1")
df.columns = df.columns.str.lower().str.replace(" ", "_")
df["income"] = pd.to_numeric(df["income"], errors="coerce")
df.to_stata("data.dta", write_index=False)  # 可选：保存为 Stata 格式

Step 2 描述统计

python

print(df[["income", "digital_finance", "age", "education"]].describe())
# 分组统计
print(df.groupby("urban")[["income", "digital_finance"]].agg(["mean", "std", "count"]))
# t 检验
from scipy.stats import ttest_ind
rural = df[df["urban"]==0]["income"].dropna()
urban = df[df["urban"]==1]["income"].dropna()
print(ttest_ind(rural, urban))

Step 3 可视化

python

import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 中文字体

fig, axes = plt.subplots(1, 2, figsize=(12, 5))
for u, label in [(0, "农村"), (1, "城镇")]:
    df[df["urban"]==u]["digital_finance"].hist(ax=axes[0], alpha=0.5, label=label, bins=30)
axes[0].legend()
sns.regplot(data=df, x="digital_finance", y="income", ax=axes[1])
plt.tight_layout()
plt.savefig("fig1.png", dpi=300)

Step 4 基本回归

python

import numpy as np
import statsmodels.api as sm
from statsmodels.iolib.summary2 import summary_col

df["income_log"] = np.log(df["income"] + 1)
controls = ["digital_finance", "age"] + [f"edu_{i}" for i in [1,2,3]]
X = sm.add_constant(df[controls].dropna())
y = df["income_log"].dropna()
# 对齐索引
X = X.loc[y.index]
model = sm.OLS(y, X).fit(cov_type="cluster", cov_kwds={"groups": df.loc[y.index, "county_id"]})
print(model.summary())

Step 5 内生性处理

python

from linearmodels.iv import IV2SLS

# 构造工具变量
iv = df.groupby("village_id")["digital_finance"].transform("mean")
df["iv_village"] = (df.groupby("village_id")["digital_finance"].transform("sum") - df["digital_finance"]) / \
                   (df.groupby("village_id")["digital_finance"].transform("count") - 1)

mod = IV2SLS(df["income_log"], sm.add_constant(df[["age", "education", "land_size"]]),
             endog=df["digital_finance"], instruments=df[["iv_village"]])
result = mod.fit(cov_type="clustered", clusters=df["county_id"])
print(result.summary)
print("First-stage F:", result.first_stage.f_statistic)

Step 6 异质性 + 稳健性

python

# 分组回归
results = {}
for region, label in [(1, "东部"), (2, "中部"), (3, "西部")]:
    sub = df[df["east"] == region]
    X = sm.add_constant(sub[controls])
    y = sub["income_log"]
    X = X.loc[y.index]
    results[label] = sm.OLS(y, X).fit(cov_type="cluster",
                                       cov_kwds={"groups": sub.loc[y.index, "county_id"]})
    print(f"{label}: coef={results[label].params['digital_finance']:.3f}")

print(summary_col(list(results.values()), stars=True))

进一步学习资源

资源	说明	适合阶段
UCLA Stata 教程	最全面的 Stata 在线参考	Step 1-6 全程
Stata 官方手册	每个命令的详细参数说明	遇到报错时查阅
Bhattacherjee《社会科学研究》	研究设计与方法论基础	研究设计阶段
伍德里奇《计量经济学导论》	经典计量教材（中文第 7 版）	想深入理解原理时
statsmodels 文档	Python 计量经济学库	Python 备选方案
linearmodels 文档	Python IV/Panel 模型	Step 5 Python 备选
课程群文件 `CFPS2018_codebook.xlsx`	变量名-含义对照表	Step 1 开始就需要

AI 工具使用声明提醒

完成六步急救包后，在论文中务必加入 AI 工具使用声明：

本研究使用 stata-mcp 辅助生成 Stata 命令。
研究设计、模型选择、变量构造、结果解读均由作者独立完成。
所有数据分析和统计推断结论由作者负责。

核心原则：AI 降低技术门槛，但不替代你的研究判断。你必须能说清楚每一步为什么这样做。

Generated by Qoder with 肖诗顺｜ 2026-09-14

← T5 数据分析代码本 AI 工具配置指南 →

前置要求 ​

学习路径图 ​

Step 1：数据导入 ⏱ 10 分钟 ｜ 难度 ★☆☆ ​

自然语言 Prompt ​

Stata 命令 ​

结果解读 ​

常见报错与排错 ​

Skill 化提示词模板 ​

Step 2：描述统计 ⏱ 10 分钟 ｜ 难度 ★☆☆ ​

自然语言 Prompt ​

Stata 命令 ​

结果解读 ​

常见报错与排错 ​

Skill 化提示词模板 ​

Step 3：可视化 ⏱ 10 分钟 ｜ 难度 ★☆☆ ​

自然语言 Prompt ​

Stata 命令 ​

结果解读 ​

常见报错与排错 ​

Skill 化提示词模板 ​

Step 4：基本回归 ⏱ 20 分钟 ｜ 难度 ★★☆ ⭐ 核心步骤 ​

自然语言 Prompt ​

Stata 命令 ​

结果解读 ​

常见报错与排错 ​

Skill 化提示词模板 ​

Step 5：内生性处理 ⏱ 20 分钟 ｜ 难度 ★★★ ⭐⭐ ​

自然语言 Prompt ​

Stata 命令 ​

结果解读 ​

常见报错与排错 ​

Skill 化提示词模板 ​

Step 6：异质性 + 稳健性 ⏱ 20 分钟 ｜ 难度 ★★★ ⭐⭐⭐ ​

自然语言 Prompt ​

Stata 命令 ​

结果解读 ​

常见报错与排错 ​

Skill 化提示词模板 ​

Python 备选方案（无 Stata 许可证的同学） ​

Step 1 数据导入 ​

Step 2 描述统计 ​

Step 3 可视化 ​

Step 4 基本回归 ​

Step 5 内生性处理 ​

Step 6 异质性 + 稳健性 ​

进一步学习资源 ​

AI 工具使用声明提醒 ​

前置要求

学习路径图

Step 1：数据导入 ⏱ 10 分钟｜难度 ★☆☆

自然语言 Prompt

Stata 命令

结果解读

常见报错与排错

Skill 化提示词模板

Step 2：描述统计 ⏱ 10 分钟｜难度 ★☆☆

自然语言 Prompt

Stata 命令

结果解读

常见报错与排错

Skill 化提示词模板

Step 3：可视化 ⏱ 10 分钟｜难度 ★☆☆

自然语言 Prompt

Stata 命令

结果解读

常见报错与排错

Skill 化提示词模板

Step 4：基本回归 ⏱ 20 分钟｜难度 ★★☆ ⭐ 核心步骤

自然语言 Prompt

Stata 命令

结果解读

常见报错与排错

Skill 化提示词模板

Step 5：内生性处理 ⏱ 20 分钟｜难度 ★★★ ⭐⭐

自然语言 Prompt

Stata 命令

结果解读

常见报错与排错

Skill 化提示词模板

Step 6：异质性 + 稳健性 ⏱ 20 分钟｜难度 ★★★ ⭐⭐⭐

自然语言 Prompt

Stata 命令

结果解读

常见报错与排错

Skill 化提示词模板

Python 备选方案（无 Stata 许可证的同学）

Step 1 数据导入

Step 2 描述统计

Step 3 可视化

Step 4 基本回归

Step 5 内生性处理

Step 6 异质性 + 稳健性

进一步学习资源

AI 工具使用声明提醒