alterlab-causal-inference

从观测数据和准实验数据中估计因果效应——包括双重差分法（DID）、工具变量法（IV）、断点回归（RD）、面板固定效应、倾向得分/双重稳健方法以及异质性处理效应（CATE）——使用经过验证的 Python 工具栈：statsmodels 和 linearmodels（PanelOLS、IV2SLS）、pyfixest（feols、事件研究、Sun-Abraham、did2s）、DoWhy（识别 -> 估计 -> 反驳）、EconML（LinearDML、CausalForestDML、DRLearner）以及 rdrobust（用于 RD）。在估计前会明确识别假设，并在估计后运行反驳/稳健性检验。当请求涉及双重差分法、工具变量法、断点回归、固定效应/面板因果估计、倾向得分，或从非随机化数据中估计处理效应时，可使用此技能。若需优先选择研究设计，请使用 alterlab-ssci-design-gate；若仅需普通回归或描述性统计，请使用 alterlab-statistical-analysis。属于 AlterLab 学术技能套件的一部分。

模型生成摘要（rules/v1 · 2026-11-13 01:02）：从观测数据和准实验数据中估计因果效应——包括双重差分法（DID）、工具变量法（IV）、断点回归（RD）、面板固定效应、倾向得分/双重稳健方法以及异质性处理效应（CATE）——使用经过验证的 Python 工具栈：statsmodels 和 …
这是模型对公开材料的总结，不是官方声明，请以原链内容为准。

存档时间线

版本	存档时间	内容哈希	内容
v1	2026-11-13 01:02	beee8870	可取

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本

纠错与举报（发现条目失效、署名有误或涉及侵权？）

提交举报 / 纠错

侵权举报经核验成立后，我们会即时下线该条目并删除已存的内容副本。