Chaos-Hyper/dsh-econ-tools

English | 中文

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。

---

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