Auto-Empirical Research Skills (AERS)
🔥 力荐 · StatsPAI — Stata 与 R 的 Python 平替，为 AI Agent 而生
- 🔁 Stata / R 平替：
reghdfe、csdid、rdrobust、synth、fixest、did 等常用命令在 Python 中一站式替代，一个 import statspai as sp 搞定 DID / RD / IV / SCM / DML / matching
- 🤖 面向 Agent 设计：结构化结果对象 + 内置 MCP Server，Claude / Codex 等智能体可直接调用、诊断、审计与出表
- ⚡ 运行速度更快：无需启动 Stata / R 会话，免许可证，纯 Python 流水线端到端提速
- 🏛️ 同一团队维护：StatsPAI 与 AERS 由同一团队（Stanford REAP）开发和持续维护，两者深度集成、同步迭代
github.com/brycewang-stanford/StatsPAI · pip install statspai · MIT 开源 · 欢迎 ⭐ Star
🌐 语言: English | 简体中文（默认） | 繁體中文 | 日本語 | 한국어
Stanford REAP × StatsPAI · 实证研究 AI 工具的学术工业级产品
由斯坦福实证研究方法论团队打造，覆盖从数据清洗到顶刊投稿的完整工作流
🚀 New here? Open the Skill Search → to filter all 1,108 skills by method, stage, language, and license. The 5-minute tour (make quickstart) prints the same picture in your terminal.
🇨🇳 中文用户从本文件开始（流水线速览 + 78 行总表），每个合集的完整描述见 docs/CONTENT_ZH.md。📖 English readers: see README-en.md.
信任面 · Trust surface (rigor stats)
| Rigor lane | Count | Where |
|---|
| Numeric benchmark tasks — gold values recomputed from real data each run | 19 | benchmark/ |
| Behavioral eval scenarios / rubric items | 42 / 217 | eval-harness/ |
| 其中已证明能区分对错的场景（pass/fail 双 fixture 自检） | 9（全部 6 个 critical 场景在内） | eval-harness/fixtures/ |
Full trust overview: docs/TRUST.md · docs/RIGOR_COVERAGE.md
🏁 带上你自己的 agent 来考同一份卷子：pip install -e . 后用 aers-score 给自己打分，成绩发布在 docs/EXTERNAL_SCOREBOARD.md（规则见 docs/SCOREBOARD_RULES.md）。榜上的数字是我们用同一套评分器重算出来的，不是提交者自报的。
⚡ 安装与使用（30 秒上手）
最省事的一招：把 URL 丢给 Agent
把项目 URL 地址 https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills 丢给 Claude Code / Codex，并指定是目录 / 项目 / 全局安装 —— 剩下的让它自己做。例如：
帮我安装 https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills
装到「全局」（~/.claude/skills/），我想在所有项目里都能用
把最后一行换成你要的作用域即可：
| 作用域 | 说给 Agent 的话 | 落到哪里 |
|---|
| 目录（当前会话临时用） | "只在当前目录用，不要全局安装" | 当前工作目录下的 .claude/skills/ |
| 项目（团队共享，可提交进 git） | "装到本项目" | 项目根目录 .claude/skills/ |
| 全局（所有项目可用） | "装到全局" | ~/.claude/skills/（Codex 为 ~/.agents/skills/，老版本 ~/.codex/skills/） |
已经 clone / 下载到本地？ 把 Auto-Empirical-Research-Skills 文件夹的本地路径复制给 Agent，让它读 INSTALL.md 自己装：
帮我安装这个本地 skills 包：/Users/你的用户名/Downloads/Auto-Empirical-Research-Skills
我用的是 Codex（或 Claude Code / WorkBuddy），装到全局，所有项目都能用。
请先读这个文件夹里的 INSTALL.md，按我这个软件的方式装好；装完告诉我装到了哪个目录、怎么确认已经生效。
复制路径：macOS 在访达选中文件夹按 Option + Command + C；Windows 按住 Shift 右键 →「复制为路径」；或者直接把文件夹拖进 Agent 输入框。详细步骤见 INSTALL.md 方法 0。
手动安装（两种，任选其一）
A. 插件市场（Claude Code v2.1+，推荐，可升级）
claude plugin marketplace add brycewang-stanford/Auto-Empirical-Research-Skills
claude plugin install aer-skills@auto-empirical-research-skills # 顶刊投稿全流程（9 skills）
claude plugin install empirical-analysis-python@auto-empirical-research-skills # Python 计量流水线
claude plugin install empirical-analysis-stata@auto-empirical-research-skills # Stata 计量流水线
claude plugin install empirical-analysis-r@auto-empirical-research-skills # R + Quarto 流水线
B. 只要某一个 skill —— 直接拷文件夹
git clone --recurse-submodules https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills.git
cd Auto-Empirical-Research-Skills
cp -R skills/00.1-Full-empirical-analysis-skill_Python .claude/skills/ # 项目级
cp -R skills/00.1-Full-empirical-analysis-skill_Python ~/.claude/skills/ # 全局
拷进去的文件夹必须自带 SKILL.md（部分合集的 SKILL.md 在下一层，拷那一层）。
怎么用
新开一个会话，直接用自然语言说要做什么，Agent 会按 description 自动挑 skill；说不动就点名方法或 skill：
用面板数据跑一个 Callaway–Sant'Anna 事件研究，并出 HonestDiD 稳健性和期刊级表格
完整安装说明（Codex 安装见方法 2C、Codex / CodeBuddy 整库导入、--plugin-dir 单次加载、常见故障排查）见 INSTALL.md。
中文文档结构
中文内容分两级维护，各司其职：
[!NOTE]
维护规则： 改合集总表 → 本文件与 CONTENT_ZH.md 的锚点表两处同步；改合集详情 / 分组 / 数字 → 只改 docs/CONTENT_ZH.md。统计数字（合集数 / skill 数）以 catalog/skills.json 为准，由 make validate 的 readme-stats 检查器守护。
贡献者（Contributors）： 提交前请在本地跑通完整门禁 make check（catalog 校验 + 链接 + 单元测试 + eval-harness + benchmark）。详见 CONTRIBUTING.md。
旧版归档： README-zh-CN.md 已弃用，仅作向后兼容的重定向占位。
🚀 从一个 idea 到一篇论文：社科实证研究 · 端到端流水线（全自动、可介入）
AERS 不只是 78 个散装 skill —— 它能陪你走完一篇论文。 从模糊 idea → 选题精炼 → 文献综述 → 数据获取 → 识别策略 → 估计建模 → 稳健性审计 → 出版级表格 / 图形 → 写作与同行评审 → 降 AIGC → 投稿。端到端、全自动、每一步都可被人介入（中间任何一步你都可以接过去手工改方法、补变量、加稳健性，再让流水线自动接上跑）。
9 阶段流水线 · 每一步都覆盖到具体 skill
Paper-WorkFlow 是 AERS 的"指挥棒"，它把上面 9 个阶段的 skill 串成 一条按键即运行的端到端流水线。
你在 IDE 入口给它一句自然语言：
"开一个新论文项目：空气污染与中国劳动力市场，CS 设计 + 省级面板"
它会自动按顺序调：
- ⭐ 00 StatsPAI →
sp.csdid(...) 给出 CS-DID 估计草案 + 写出估计方程与识别假设
- 33 claude-scholar → 抓变量定义 / 数据源候选 / 相关文献
- ⭐ 00 StatsPAI → 真跑
sp.feols(...) + sp.honest_did(...)
- 41 sewage-econometrics-check → 10 项复现包审计 + 稳健性体检
- ⭐ 00 StatsPAI + 07 AI-Research-SKILLs → 出 Table 1–5 + 期刊级图
- 38 academic-proofreader → 通读 + §comment 标"审稿人会挑刺的位置"
- 56 econ-writing-skill 起草初稿 + ⭐ 48 de-AIGC-skills 🇨🇳🇬🇧 + 45 deslop 过知网 / Turnitin
任何阶段你都可以手动介入 —— 上一阶段的产物全部落盘（产物-幂等 pipeline），你接过去改方法、补控制、加稳健性，再让流水线自动接下去跑。这就是"全自动 + 可介入"。
🏆 7 个 Stanford REAP × StatsPAI 自研 skill —— 是整个流水线的主干
为什么挑这 7 个？因为它们的行为都被基准钉死了 —— 不是营销口径，是对着已知答案反复跑过验证过的（17 项数值 benchmark + 37 项行为评测 ↗）。
看到这里 —— 完整 78 行合集目录
↴ 直跳到下方 78 行总表（每个合集带 #skill-NN 锚点）。如果你更关心"这些 skill 怎么用"而不是"有哪些 skill"，看 📘 中文唯一权威正文 里的「按用途分组」与「旗舰流水线」两节。
🧰 78 个核心 Skills 合集一览（00 → 74，编号连续无空缺）
打开仓库 → 看见整座库。 全部 78 个合集 · 1,108 个 skill，每一个都已 vendor 进本仓库，由 catalog/skills.json 跟踪。⭐ = Stanford REAP × StatsPAI 团队自研的 skill；其余为精选、经安全审计的社区作品。
主题图例 — 🚀 全流程与编排器 · 🎯 因果推断与计量经济学 · 📚 文献与研究设计 · ✍️ 写作 / 编辑 / 去 AIGC · 📑 引用 / 复现 / 同行评审 · 🛠️ 数据 / 工具 / 基础设施
点击【→】 跳转到 docs/CONTENT_ZH.md 中该合集的完整描述；点击合集名 直接打开其目录。
🙏 尊重原作者 — 「来源」列直接链回上游原始仓库（owner/repo）。本仓库里的社区合集都是上游快照：请去原仓库点 star、提 issue、看 LICENSE。完整的许可证与来源置信度审计见 docs/LICENSE_AUDIT.md，机器可读版本在 catalog/provenance.json。
| # | 合集 | 一句话 | 详情 | 来源 |
|---|
| ⭐ 00 | StatsPAI 🔥 | 因果引擎 · Agent-native Python DSL：sp.causal(...) 一行跑闭环（DID/RD/IV/SCM/DML，900+ 函数） | → | brycewang-stanford/StatsPAI |
| ⭐ 00.1 | Full Empirical · Python 📘 | 显式栈：pandas · statsmodels · linearmodels · pyfixest | → | ⭐ 本仓库 |
| ⭐ 00.2 | Full Empirical · Stata 📊 | reghdfe · ivreg2 · csdid · sdid · rdrobust 复现包 | → | ⭐ 本仓库 |
想看更详细的描述（主题分类、字段、统计）？ 见 docs/CONTENT_ZH.md 中标注 #skill-NN 锚点的同一张表 —— 它是每个合集的完整描述所在的扩展正文。
📈 项目历程
自 2026-04 首次发布以来的主干里程碑（完整提交记录见 Commits 与 CHANGELOG.md）：
---
config:
gitGraph:
rotateCommitLabel: false
---
gitGraph TB:
commit id: "2026-04 首次发布"
branch community
commit id: "2026-05 首个社区 PR"
checkout main
merge community
commit id: "2026-05 更名 AERS"
commit id: "2026-06 插件市场"
commit id: "2026-06 全库路由器"
commit id: "2026-07 首个 tag" tag: "v2026.07"
branch kaggle
commit id: "2026-07 Kaggle 集成"
checkout main
merge kaggle
commit id: "2026-08 de-AIGC 双语"
commit id: "2026-08 来源链接全覆盖"
branch evidence
commit id: "2026-08 aers-score CLI"
commit id: "2026-08 外部成绩单"
checkout main
merge evidence
commit id: "2026-08 结构估计 = 方法族 18"
commit id: "2026-08 NSW 基准从引用变推导"
commit id: "2026-09 数据 → Word 全稿路线"
commit id: "2026-09 de-AIGC 去水印层"
commit id: "2026-09 分层检索 + 路由评测"
commit id: "2026-09 StatsPAI 置顶"
branch phacking
commit id: "2026-09 p-hacking 体检室（合集 73）"
checkout main
merge phacking
Star 增长曲线（非提交数）· 由 scripts/build-star-history.py 从 GitHub API 生成并提交入库
如果 AERS 对你的工作有帮助，请引用它（CITATION.cff）并点个 Star，让更多研究者看到。
AI 是放大器，不是替代品。它替你做最耗时的"搬砖"，你保留最核心的"判断"。
Stanford REAP × StatsPAI · 实证研究 AI 工具的学术工业级产品
内置 20 个方法论 skill · 20 分钟完成实证论文 · 自研 StatsPAI（900+ 函数 / MIT 开源）
