brycewang-stanford/China-CF-Study

China Corporate Finance Empirical Study (china-cf-study)

1. 定位与适用范围

本 skill 指导基于中国制度环境的公司金融类实证研究的完整流程。覆盖：

• 以 A 股上市公司、中国城市/省级面板为主体样本
• 识别策略：DID（含 staggered/CS-DID/Sun-Abraham）、Panel FE + IV/2SLS、PSM-DID、DML / DML-IV、合成控制、RDD
• 研究主题：投融资、治理、股权结构、机构投资者、信贷、创新、披露、审计、分析师、ESG 等
• 代码语言：Python（pandas / numpy / statsmodels / linearmodels / pyfixest / econml / doubleml / scikit-learn / matplotlib）
• 表格输出：LaTeX（严格遵循 template/ 格式与 rule/ 规范）

本 skill 不替代研究者的研究设计判断，而是把每一环节的标准流程、代码骨架、表格/图像模板提供给研究者，保证产出质量达到中国-context 英文顶级期刊（JF、JFE、RFS、JFQA、RCFS、JCF、JBF；JAR、JAE、TAR、CAR、RAST；MS、SMJ、JIBS；AER、QJE、JPubE、JEEM；以及 China Economic Review、Pacific-Basin Finance Journal、Emerging Markets Review、China Journal of Accounting Research 等 China-friendly 主流刊）的写作与方法论要求。目标期刊在启动后第二步即由 skill 推荐 + 研究者锁定（见 §3.4），后续 main.tex 的 bibliographystyle、Section 骨架、Introduction 风格、表注规范均以此为准。

2. 工作目录结构（项目根即 working directory）

China-CF-study/                 ← working directory
├── asset/                      ← 中国常见数据集与政策集索引（研究者提供检索关键词）
│   ├── macrodatas_list.csv           # 马克数据网数据集清单（宏观/上市公司/城市层）
│   ├── ppmandata_trade_list.csv      # 皮皮慢数据（政策/贸易/金融等）清单
│   ├── 全网首发计量方法+政策数据库.pdf # 原始政策冲击数据库 PDF（975 页，含 800+ 实证研究的方法-政策详尽案例）
│   ├── 计量方法+政策数据库.md       # ★ 上面 PDF 的 50 页 markdown 精简版（按"方法 × 政策 × 数据"三维交叉重组；首选入口）
│   └── MCP.docx                      # MCP 服务器清单（如 CSMAR-MCP），含安装网址
├── rule/                       ← 强制性写作与方法论规范（AI 必须逐项遵循）
│   ├── 通用实证研究逻辑与规范总结.docx
│   └── 回归表写作规范总结.docx
├── template/                   ← LaTeX 表格与图片模板（格式模仿对象）
│   ├── main.tex                      # ★ 正文 .tex 模板——新项目 main.tex 的 Preamble / References / Appendix 块均以此为底
│   ├── sum_stat.tex                  # 描述性统计
│   ├── variables.tex                 # 变量定义
│   ├── baseline.tex                  # 基准回归（渐进式加控制 + 渐进式加 FE）
│   ├── addctr.tex                    # 加入附加控制变量
│   ├── measures.tex                  # 替换因变量度量
│   ├── specification.tex             # 高维交互固定效应
│   ├── iv.tex                        # 2SLS 工具变量
│   ├── psm_ddml.tex                  # PSM + DML（Panel A / Panel B）
│   ├── bunching-did.tex              # Bunching-DID
│   ├── channel1.tex, channel2.tex, channel3.tex   # 机制分析（按渠道分组）
│   ├── heterogeneity1.tex, heterogeneity2.tex, heterogeneity3.tex # 异质性（bdiff）
│   ├── sampling.tex                  # 样本筛选稳健性
│   ├── further.tex                   # 进一步分析
│   ├── parallel.pdf                  # 平行趋势图
│   ├── csdid-figure.pdf              # Callaway-Sant'Anna DID 动态效应
│   ├── estimator.pdf                 # 不同 DID 估计量对比
│   ├── psm-pre-post.pdf              # PSM 平衡检验前后
│   └── specurve.pdf                  # 规格曲线（specification curve）
└── 研究项目输出/                  ← 每个实证项目的产出目录（按本 skill 建议结构创建）
    └── {项目名}/
        ├── main.tex                   # ★ 正文入口（preamble 照抄 template/main.tex），\input{results/xxx.tex}
        ├── data/{raw,cleaned}/
        ├── code/                      # Python 脚本
        └── results/                   # 表格 (.tex) 与图像 (.pdf/.png) 统一存放

3. 触发条件与启动流程

3.1 唯一触发条件：研究者提交研究计划书

本 skill 只在研究者提供**研究计划书（Research Proposal）**时触发。计划书以下述任一形式提交均可：

• 一段纯文本描述
• .docx / .pdf / .md / .tex 文件路径
• 对话中分点罗列

3.2 计划书应包含的字段（缺项时自动追问，一次补齐）

CONTRACT — 研究计划书最小字段清单
────────────────────────────────────────────────────────
(1) 研究题目 (Title)
(2) X → Y 因果假设 (Hypothesis)：主假设 H1 + 最多 2 条子假设
(3) 预期结果 (Expected Findings)：X 对 Y 的预期符号与显著性、预期机制
    渠道、预期异质性方向（此项至关重要——是后续"备选方案"的触发判据）
(4) 识别策略 (Identification)：DID / Staggered DID / Panel FE + IV /
    PSM-DID / RDD / 合成控制 / DML 中择一
(5) 样本范围 (Sample)：层级（公司-年/城市-年/省-年）、时间窗、排除条款
(6) 政策冲击 (Shock)：【DID/RDD 必填】政策名称、公布/实施年份、处理组定义
(7) 数据需求 (Data)：关键词清单（数据集 + 政策集）。来源优先级：
    asset/ 清单 → asset/MCP.docx 登记的 MCP 服务器（如 CSMAR-MCP）
    → CSMAR / WIND / RESSET / 统计年鉴 / 政府公开 / 手工整理 等外部来源
(8) 机制假说 (Mechanism)：预期作用渠道 M1 / M2 / M3
(9) 异质性维度 (Heterogeneity)：预期分组维度 + 预期组间差异方向

3.3 启动后 skill 立即执行以下动作

1. 解析计划书 → 抽取 CONTRACT 九字段，对缺项统一一次性追问补齐。
2. 🆕 推荐 5 个最合适的英文目标期刊（详见 §3.4）：基于计划书的研究主题（Topic）、识别策略（Method）、贡献边际（Novelty）与样本范围（Sample / China context）四维度，从中国-context 英文顶刊池（§3.4.1）中按加权得分（§3.4.2）选出 top 5，以 [J1]–[J5] 编号 + 4 维星级评分 + "Why it fits" 一两句话（含本刊近 3 年发表的同主题中国论文示例 1 篇）+ "Editorial preference" + bib style 呈现（输出格式见 §3.4.3）。呈现完毕后停下，显式询问研究者选定哪一本（也允许用户提出列表外的期刊）。在收到选择前不进入第 3 步。
3. 固化为 00_proposal.md：写入项目根 {项目名}/00_proposal.md，顶部以 YAML 块追加 target_journal / bibliography_style / writing_preferences 三组字段（见 §3.4.3 末尾示例），作为后续所有判断与 main.tex 渲染的基准文件。
4. 生成研究项目骨架：按第 9 节目录结构建立 {项目名}/ 下所有子目录与占位脚本；main.tex 头部按 §3.4.4 表把 \bibliographystyle{} 与 Section 骨架替换为目标期刊的版本（preamble 仍然照抄 template/main.tex 的其他部分）。
5. 逐环节推进：严格按第 4 节顺序执行，每一环节完成即与计划书中 (3) 预期结果逐项比对。

3.4 期刊定位（Journal Targeting）— 启动后第二步的依据

3.4.1 候选期刊池（中国 CF 论文常见英文投稿池）

中国数据 CF 论文的现实投稿地图与美国/跨国数据不同——三大综合刊（AER/QJE/JPE）罕见纯中国 CF 选题（除非政策有全球影响如 China Shock 系列）；JF/JFE/RFS 近 5 年中国论文产出明显增加，但要求"机制全球可借鉴 + 识别透明"；JCF/JBF/PBFJ/CER/EMR/CJAR 等是中国 CF 主流刊。

| Tier | 期刊 | 全名 | 中国-context 偏好特征 | bib style | |---|---|---|---|---| | T1 综合 | AER | American Economic Review | 仅接 China Shock 类全球影响政策；CF 主题罕见 | aer | | T1 综合 | QJE | Quarterly Journal of Economics | 高门槛自然实验；中国 CF 极罕见 | qje | | T1 综合 | JPE | Journal of Political Economy | 偏理论结构估计；中国治理/契约偶有 | jpe | | T1 综合 | REStud | Review of Economic Studies | 结构 + 方法；中国 CF 罕见 | restud | | T1 金融 | JF | Journal of Finance | 故事完整 + 大样本中国机制创新（split-share、QFII、HK Connect、注册制） | jf | | T1 金融 | JFE | Journal of Financial Economics | 中国主题最活跃接收刊；识别透明 + 控制变量逐项展示 | jfe | | T1 金融 | RFS | Review of Financial Studies | 理论嵌入 + 中国独特机制 | rfs | | T2 金融 | JFQA | Journal of Financial and Quantitative Analysis | 严谨实证；中等贡献中国识别清晰选题 | jfqa | | T2 金融 | RCFS | Review of Corporate Finance Studies | CF 专门 OA 刊；中国论文比例上升 | rcfs | | T2 金融 | RAPS | Review of Asset Pricing Studies | A 股资产定价；非纯 CF | raps | | T2 金融 | JCF | Journal of Corporate Finance | 中国 CF 主流接收刊；中国选题占比高 | elsarticle-num | | T2 金融 | JBF | Journal of Banking and Finance | 中国银行/信贷主流刊；中国选题接受度高 | elsarticle-num | | T2 金融 | JFI | Journal of Financial Intermediation | 中国银行 / 信贷 / 中介 | jfi | | T2 金融 | JFM | Journal of Financial Markets | A 股微观结构 / 流动性 | elsarticle-num | | T2 金融 | FM | Financial Management | CF 应用导向 | apa | | T1 会计 | JAR | Journal of Accounting Research | 中国披露 / 分析师 / 审计 / 信息环境 | jar | | T1 会计 | JAE | Journal of Accounting and Economics | 中国契约 / 高管薪酬 / 经济后果 | jae | | T1 会计 | TAR | The Accounting Review | 中国数据近年大量接收（治理、披露、审计） | tar | | T2 会计 | RAST | Review of Accounting Studies | 中国估值 / 披露 / 信息环境 | rast | | T2 会计 | CAR | Contemporary Accounting Research | 中国数据接受度高；与 TAR 平台相近 | car | | 管理 | MS | Management Science | 中国数据友好；因果识别 + 跨学科创新 | informs | | 管理 | SMJ | Strategic Management Journal | 中国治理 / 跨国并购 / 公司战略 | smj | | 管理 | OS | Organization Science | 中国治理 + 组织 + CF 交叉 | orsc | | 国际 | JIBS | Journal of International Business Studies | 跨国 / 制度差异 / Chinese MNEs / 跨境 M&A | jibs | | 公共 | JPubE | Journal of Public Economics | 中国税收 / 监管的 CF 后果（营改增、金税工程） | elsarticle-num | | 环境 | JEEM | Journal of Environmental Economics and Management | 环保税 / 双碳 / 排污权 × CF | elsarticle-num | | 中国-friendly | CER | China Economic Review | 中国主题专刊；门槛中等；CF 接收量大 | elsarticle-num | | 中国-friendly | PBFJ | Pacific-Basin Finance Journal | 亚太/中国 CF 中下游主流刊 | elsarticle-num | | 中国-friendly | EMR | Emerging Markets Review | 中国/新兴市场 CF；制度差异比较 | elsarticle-num | | 中国-friendly | CJAR | China Journal of Accounting Research | 中国会计实证主刊（Peking University & Elsevier） | elsarticle-num | | 中国-friendly | CFRI | China Finance Review International | 中国 CF 应用导向 OA 刊 | apa | | 中国-friendly | CAFR | China Accounting and Finance Review | 中国 CF / 会计；中文摘要双语 | apa | | 跨学科 | JBE | Journal of Business Ethics | ESG / 治理 / 文化 × 中国 | apa | | 国际财务 | JIFMA | Journal of International Financial Markets, Institutions and Money | 跨境 / 制度 / 资本流动 × 中国 | elsarticle-num |

若研究者指名列表外的期刊（如 British Accounting Review、Asia-Pacific Journal of Accounting and Economics、International Review of Economics and Finance、Finance Research Letters、Journal of International Money and Finance 等），照单选定即可，并比照同档期刊套用 bib style 与 Section 骨架。

3.4.2 匹配评分（skill 内部）

对每本候选按 4 维 1–5 打分：

T = topic_fit       # CF 主题与期刊偏好对齐
M = method_fit      # 识别策略与期刊门槛对齐
N = novelty_fit     # 贡献边际能否打动该刊编辑（中国机制能否对国际读者讲得通）
S = sample_fit      # 中国样本与期刊地理偏好（China-friendly 加分，纯美国偏好刊扣分）
score = 0.35 T + 0.30 M + 0.25 N + 0.10 S

匹配示例（仅作 skill 内部参考；不输出给研究者）：

• "金税三期 × 企业避税与投资" → JFE / JAE / JPubE / TAR / JCF
• "Sci-Tech Innovation Board（科创板）注册制 × IPO 定价效率" → JFE / RFS / JFQA / JCF / PBFJ
• "沪港通 × 公司治理与信息环境" → JF / RFS / JAR / JFE / MS
• "Shanghai-Hong Kong Stock Connect × 分析师覆盖与盈余质量" → JAR / JAE / TAR / CAR / JFE
• "绿色信贷指引 × 重污染企业投资" → JFE / JEEM / JCF / CER / JBF
• "营改增 (B2V) × 企业组织重组" → JPubE / JAE / JFE / JCF / CER
• "QFII 持股 × 公司治理与盈余管理" → JFE / JAR / RFS / MS / JCF
• "数字经济试点 / 宽带中国 × 融资约束" → JFE / MS / JCF / CER / PBFJ
• "土地财政 × 企业投资行为" → JF / JFE / JPubE / MS / CER
• "中国民营/国有差异 × 信贷可得性" → JFE / JCF / JBF / CER / PBFJ
• "审计师法律责任改革 × 审计质量" → JAR / JAE / TAR / CAR / RAST
• "ESG 评级分歧 × 中国企业融资成本" → JFE / RFS / JCF / JBE / CER

3.4.3 推荐输出格式（必须按此格式呈现 5 本）

[J1] JFE — Journal of Financial Economics
     Topic ★★★★★  Method ★★★★★  Novelty ★★★★☆  Sample ★★★★★   Score 4.70
     Why it fits: {2 句话——对齐研究主题与识别方法；指本刊近 3 年发表的相近中国
                   主题论文（举 1 篇，作者-年份-标题缩写）}
     Editorial preference: 偏好识别透明 + 表格规范严 + 控制变量逐项展示
     Bibliography style: jfe

[J2] JCF — Journal of Corporate Finance
     ...

呈现完 5 本后，必须显式停下并询问（不要自动选定）：

请从 [J1]–[J5] 中选定一本作为目标期刊；若不满意，请直接告知任一中国-context 英文 CF 顶刊名（如 JF / TAR / MS / China Economic Review 等）。 您的选择将决定 main.tex 的 \bibliographystyle{}、Section 骨架、Introduction 风格与表注最低长度。

研究者选定后，在 00_proposal.md 顶部追加（示例为 JFE）：

---
target_journal: JFE
bibliography_style: jfe
writing_preferences:
  identification_emphasis: high
  table_format_strict: yes
  introduction_style: "5 paragraphs, identification details surface early"
  notes_paragraph_length: ">= 6 lines"
  section_skeleton:
    - Introduction
    - Background (China's institutional setting)
    - Data
    - Empirical Strategy
    - Results
    - Robustness
    - Conclusion
---

3.4.4 不同期刊触发的写作差异

| 期刊 | bib style | Section 骨架 | Intro 风格 | 表注最低 | 中国-context 特别要求 | |---|---|---|---|---|---| | JF | jf | Intro / Setting / Hypotheses / Data and Methodology / Results / Mechanism / Conclusion | 5–6 段，puzzle 驱动 | ≥ 8 行 | Setting 段须解释中国制度对国际读者；偏好简洁列头 | | JFE | jfe | Intro / Background / Data / Empirical Strategy / Results / Robustness / Conclusion | 5 段，识别细节早出现 | ≥ 6 行 | Background 段须详述中国政策；表格规范最严；控制变量逐项展示 | | RFS | rfs | Intro / Theoretical Motivation / Data / Identification / Empirical Findings / Conclusion | 4–5 段，理论 motivation 醒目 | ≥ 6 行 | 偏好理论嵌入；中国机制需有 model micro-foundation；正文 25–30 页 | | JFQA | jfqa | 类 JFE | 类 JFE | ≥ 5 行 | 中国识别清晰即可；表格规范严 | | JCF | elsarticle-num | Intro / Background / Data / Methodology / Results / Conclusion | 4–5 段，中国制度背景较多 | ≥ 5 行 | 中国 CF 主流刊；可较窄主题；中国读者也读，制度术语可保留拼音注释 | | JBF | elsarticle-num | 类 JCF | 4 段 | ≥ 5 行 | 偏好中国银行/信贷/监管主题 | | JAR | jar | Intro / Hypothesis Development / Sample and Data / Research Design / Results / Conclusion | 6 段，hypothesis 在 §2 独立 | ≥ 6 行 | Hypothesis section 必须独立；预测式 H1/H2/H3；中国制度在 §2 末尾或 §3 开头介绍 | | JAE | jae | 类 JAR | 6 段 | ≥ 6 行 | 经济后果导向；中国契约/治理选题须有可检验对立预测 | | TAR | tar | 类 JAR | 类 JAR | ≥ 5 行 | 类 JAR；偏好新 measure；中国数据近年大量接收 | | CAR | car | 类 JAR | 类 JAR | ≥ 5 行 | 与 TAR 平台相近；中国会计接受度高 | | RAST | rast | 类 JAR | 5 段 | ≥ 5 行 | 偏好估值 / 信息环境；可中国披露改革 | | AER | aer | Intro / Background / Data / Empirical Strategy / Results / Mechanism / External Validity / Conclusion | 4 段，影响广泛 | ≥ 5 行 | 必须有外部有效性讨论；中国选题须有全球影响（如 China Shock） | | QJE / JPE / REStud | qje / jpe / restud | 类 AER（结构更紧凑） | 4 段，puzzle + economic significance | ≥ 5 行 | 跨子学科可读性；中国 CF 须显著方法/概念创新 | | MS | informs | Intro / Background / Hypotheses / Data and Methods / Results / Discussion / Conclusion | 4–5 段，跨学科 motivation | ≥ 5 行 | 必含 managerial implication；中国数据友好；强调因果识别 | | SMJ | smj | 类 MS | 4–5 段 | ≥ 5 行 | 中国治理 / 跨国并购 / 战略选择 | | JIBS | jibs | Intro / Theory and Hypotheses / Methods / Results / Discussion / Conclusion | 5 段，跨国比较视角 | ≥ 5 行 | 必含 international business 贡献；偏好 Chinese MNEs / 制度差异 | | JPubE / JEEM | elsarticle-num | 类 JFE | 4 段 | ≥ 5 行 | 偏好中国税收/环保政策的 CF 后果 | | CER | elsarticle-num | Intro / Background / Data / Methodology / Results / Conclusion | 3–4 段，中国制度可较详 | ≥ 4 行 | 中国主题专刊；中国制度术语可较密集；可中国读者视角 | | PBFJ | elsarticle-num | 类 CER | 3–4 段 | ≥ 4 行 | 亚太/中国 CF；门槛低于 JCF | | EMR | elsarticle-num | 类 CER | 3–4 段 | ≥ 4 行 | 中国/新兴市场对照；制度差异是 selling point | | CJAR / CAFR / CFRI | elsarticle-num / apa / apa | 类 JAR / JCF | 3–4 段 | ≥ 4 行 | 中国主流接受度高；可中文摘要双语；制度术语可不解释过细 |

render_main_tex() 在生成 main.tex 时读取 00_proposal.md 的 target_journal / bibliography_style / section_skeleton，自动替换 \bibliographystyle{} 与 Section 命名；同时把目标期刊的 notes_paragraph_length 阈值传入各 render_*_tex() 函数，确保表注长度达到目标刊门槛。

3.A 自适应机制（Plan-B）：结果未达预期时的切换逻辑

本 skill 的核心能力——当任一环节的实证结果与 00_proposal.md 中"(3) 预期结果"不符时，skill 不要求研究者干预，自主在以下备选方案树中选择并执行，直到研究项目闭环。

3.A.1 失败判据（每环节完成后立即触发）

| 环节 | 预期结果 | 失败判据（触发 Plan-B） | |---|---|---| | 平行趋势检验 | 所有 pre 期系数不显著 | 任一 pre 期 |t|>1.96 | | 基准回归 | X 系数符号与预期一致且 p<0.1 | 符号反向 / 全部不显著 / 系数随控制变量/FE 添加大幅跳动 | | 稳健 DID 估计量 | CS-DID / Sun-Abraham 结论方向与 TWFE 一致 | 符号反向或 p 值量级完全不匹配 | | IV 第一阶段 | F 统计量 > 10、IV 显著 | F < 10 或 IV 不显著 | | IV 第二阶段 | LATE 与 OLS 方向一致、可解释 | 符号反向且数量级异常 | | 机制分析 | 预期渠道 M1/M2/M3 显著 | 所有渠道不显著 | | 异质性 | 预期维度组间差异显著 | bdiff p > 0.1 | | 稳健性 | X 系数符号/显著性在多数列稳定 | 超过 1/3 列翻转 | | 安慰剂 (仅 DID / Staggered DID / PSM-DID 项目执行；纯 Panel FE+IV / RDD / DML / 合成控制 项目跳过本环节) | 真实系数在虚假分布之外 | 真实系数落在虚假分布的 [5%,95%] 内 |

3.A.2 Plan-B 决策树（按顺序尝试，每步可叠加）

失败环节 → 依次尝试：

【基准回归】系数不显著 / 符号反向
  ├─ B1. 替换 Y 度量（从 template/measures.tex 思路：Ln(...)、子维度拆分、行业调整）
  ├─ B2. 替换 X 度量（连续 vs 虚拟 / 强度 vs 0-1）
  ├─ B3. 替换 FE 规格（加 Industry×Year、Province×Year，高维交互）
  ├─ B4. 替换聚类层级（firm → city → province×year 双向）
  ├─ B5. 样本细化（剔除金融业、ST、IPO 当年；仅保留主要政策实施前已上市样本）
  ├─ B6. 换时间窗（缩短到政策前后 ±5 年）
  └─ B7. 若仍不显著 → 考虑反向假设（Y→X 或 U 型/门槛），在 proposal 中注明假设修正

【平行趋势】pre 期显著
  ├─ B1. 重新定义政策时点（公布年 vs 实施年 vs 试点年）
  ├─ B2. 用 Sun-Abraham / CS-DID 替代 TWFE
  ├─ B3. 限制政策前窗口（仅保留 pre_3 到 las_K）
  ├─ B4. 加入 Group × linear trend 控制差异化趋势
  └─ B5. 改为 PSM-DID 缓解选择偏差后重测

【IV 第一阶段弱】F < 10
  ├─ B1. 尝试 asset/计量方法+政策数据库.md §6.2 "X→IV 配对清单"中相同 X 的备选 IV，或 §12 政策大全中同维度的其他外生冲击（如 Broadband/TechFin/Court）
  ├─ B2. 构造 Bartik / Shift-Share IV（行业份额×全国冲击）
  ├─ B3. 用滞后变量 / 同伴平均 (peer mean) 作为 IV
  ├─ B4. 改为 DML-Partial（弱化 IV 依赖，用 ML 处理高维混淆）
  └─ B5. 改用断点/匹配的自然实验替代 IV

【机制不显著】所有 M 均无效应
  ├─ B1. 换中介变量度量（同一渠道的不同代理）
  ├─ B2. 换渠道组合（从供给→需求→制度三维替换）
  ├─ B3. 拆分样本（分组后分别做机制，寻找条件性渠道）
  ├─ B4. 改用交互项检验（X × M → Y 是否有调节）
  └─ B5. 若仍无渠道显著 → 在"进一步分析"中承认黑箱，改做异质性深挖

【异质性不显著】bdiff p > 0.1
  ├─ B1. 换分组切点（median → tertile/quartile）
  ├─ B2. 换分组变量（同维度其他代理）
  ├─ B3. 连续调节变量做交互项（企业级）
  ├─ B4. 换分组维度（经济→制度→文化→政策四大簇切换）
  └─ B5. 保留为"null heterogeneity"——在论文正文中作为结论的边界条件陈述

【稳健性大面积翻转】
  ├─ B1. 回溯样本构造（检查缺失/极端值/行业代码）
  ├─ B2. 检查是否遗漏同期政策 → 加入 co-shock dummy
  ├─ B3. 重算处理组/对照组的定义口径
  └─ B4. 若仍不稳健 → 核心结论弱化为"条件性证据"，在正文强调边界

【安慰剂失败】真实系数落在虚假分布内
  ├─ B1. 增加 reps（500 → 1000 → 2000）
  ├─ B2. 换安慰剂设计（空间 → 时间 → 空间+时间双维度）
  ├─ B3. 回溯基准 → 基准本身可能有 confounder，返回【基准回归】的 B1-B7

3.A.3 切换时的强制记录

每次触发 Plan-B，必须在 {项目名}/DECISION_LOG.md 追加一条：

## YYYY-MM-DD HH:MM — 环节 {X} Plan-B
- **预期**（引自 proposal 第 3 条）：...
- **实测**：系数 = ..., t = ..., p = ...
- **触发判据**：...
- **选择分支**：B{n} — {方案名}
- **后续调整**：...
- **再测结果**：...

3.A.4 终止条件

• 成功：基准回归 + 机制 + 异质性 + 稳健性 全部通过；DID 项目额外要求安慰剂通过（或部分以"边界条件"形式可解释）。非 DID 项目不要求安慰剂
• 降级闭环：Plan-B 深度超过 3 层仍无法收敛时，把研究降级为"零效应识别报告"或"条件性证据报告"，产出仍完整：所有 .tex / 图 / 代码照常交付，正文结论段改写为 null-result 叙事
• 永不：放弃项目或向研究者"投降"；skill 必须给出一份完整可交付的研究产出

4. 研究逻辑主线（严格按顺序，不可颠倒）

顺序来自 rule/通用实证研究逻辑与规范总结.docx 第 7.2 节。每一步都配有下文的 Python 代码骨架与 template/ 中的 LaTeX 对照模板。

| # | 环节 | 必做？ | 对应 Python 产物 | 对应 LaTeX 模板 | |---|---|---|---|---| | 1 | 描述性统计 + 变量定义 + 样本构造 | 必做 | 01_clean.py → sample.tex；02_sumstat.py → sum_stat.tex + variables.tex | template/sum_stat.tex + variables.tex（+ 样本表按 psm_ddml.tex 的 Panel A/B 风格手写） | | 2 | 平行趋势检验 | DID 必做；其他跳过 | 02_parallel.py → results/parallel.pdf | template/parallel.pdf | | 3 | 异质性稳健 DID 估计量 | staggered DID 必做 | 03_csdid.py（CS-DID / Sun-Abraham / Stacked） | template/csdid-figure.pdf + estimator.pdf | | 4 | 基准回归 | 必做（定海神针） | 04_baseline.py → baseline.tex | template/baseline.tex | | 5 | 内生性检验 | Panel FE 必做；DID 推荐 | 05_iv.py + 05_dml.py | template/iv.tex + psm_ddml.tex Panel B | | 6 | 因变量分解 / 替换度量 | 推荐 | 06_measures.py | template/measures.tex | | 7 | 机制分析 | 必做 | 07_channel1.py, 07_channel2.py, 07_channel3.py | template/channel1/2/3.tex | | 8 | 异质性分析 | 必做 | 08_hetero1.py, 08_hetero2.py, 08_hetero3.py | template/heterogeneity1/2/3.tex | | 9 | 稳健性检验 | 必做 | 09_addctr.py, 09_spec.py, 09_sampling.py, 09_bunching.py | template/addctr/specification/sampling/bunching-did.tex | | 10 | PSM-DID | DID 推荐 | 10_psm.py → psm_ddml.tex Panel A | template/psm_ddml.tex + psm-pre-post.pdf | | 11 | 安慰剂检验 | DID 必做；非 DID 项目跳过 | 11_placebo.py → results/placebo.pdf | 参照 rule 第 5.2 节安慰剂分布图规范 | | 12 | 进一步分析 / 规格曲线 | 可选 | 12_further.py, 12_specurve.py | template/further.tex + specurve.pdf |

5. Python 代码骨架（全部使用 Python，不使用 Stata）

铁律：本 skill 一律用 Python 实现计量。rule/ 中的 Stata 代码（esttab 等）仅作格式参考，最终 .tex 由 Python 函数按 template/ 的手写表壳格式直接渲染输出。

5.1 依赖与标准导入

# 所有脚本统一导入
import numpy as np
import pandas as pd
import statsmodels.api as sm
from linearmodels.panel import PanelOLS
from linearmodels.iv import IV2SLS
import pyfixest as pf                  # 高维固定效应 + reghdfe 等价
from doubleml import DoubleMLPLR, DoubleMLPLIV, DoubleMLData
from sklearn.linear_model import LassoCV, RidgeCV
from sklearn.ensemble import RandomForestRegressor
import lightgbm as lgb
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.family'] = 'Times New Roman'
mpl.rcParams['axes.facecolor'] = 'white'
mpl.rcParams['figure.facecolor'] = 'white'
mpl.rcParams['axes.edgecolor'] = 'black'

5.2 固定效应 + 聚类标准误的标准回归

def reg_hdfe(df, y, x, controls, fe, cluster):
    """
    y: 因变量名 (str)
    x: 核心解释变量名 (str)
    controls: 控制变量名列表
    fe: 固定效应列表, e.g. ['firm_id','year']
    cluster: 聚类层级, e.g. 'firm_id'
    返回 pyfixest.Feols 对象
    """
    rhs = x + ' + ' + ' + '.join(controls)
    fe_str = ' + '.join(fe)
    formula = f"{y} ~ {rhs} | {fe_str}"
    return pf.feols(formula, data=df, vcov={'CRV1': cluster})

5.3 工具变量 / 2SLS

def iv_2sls(df, y, x_endog, instruments, controls, fe, cluster):
    """
    先做 within 变换（去掉 fe），再 IV2SLS，
    报告 Kleibergen-Paap rk Wald F。
    instruments: IV 列表（每列单独一列 + 合并一列交叉验证）
    """
    # pyfixest 原生支持 IV：
    rhs = ' + '.join(controls)
    fe_str = ' + '.join(fe)
    iv_str = f"({x_endog} ~ {' + '.join(instruments)})"
    formula = f"{y} ~ {rhs} | {fe_str} | {iv_str}"
    return pf.feols(formula, data=df, vcov={'CRV1': cluster})

5.4 Double Machine Learning（DML / DML-IV）

def dml_plr(df, y, d, controls, learner='lasso', n_folds=5, n_reps=10):
    learners = {
        'lasso': LassoCV(cv=5),
        'ridge': RidgeCV(),
        'rf':    RandomForestRegressor(n_estimators=500, max_depth=8, n_jobs=-1),
        'lgbm':  lgb.LGBMRegressor(n_estimators=500, num_leaves=31),
    }
    dml_data = DoubleMLData(df, y_col=y, d_cols=d, x_cols=controls)
    model = DoubleMLPLR(dml_data,
                        ml_l=learners[learner],
                        ml_m=learners[learner],
                        n_folds=n_folds, n_rep=n_reps)
    model.fit()
    return model   # .coef, .se, .t_stat, .pval, .confint()

5.5 Staggered DID：Callaway-Sant'Anna / Sun-Abraham

# CS-DID：用 differences 包或手写 group-time ATT 聚合
# Sun-Abraham：interaction-weighted estimator，用 pyfixest 的 sunab() 便捷函数
def csdid_event_study(df, y, cohort, time, controls, cluster):
    """
    cohort: 处理开始年份（未处理组为 NaN/Inf）
    返回：{e: att, se, ci} 的字典，用于画动态效应图（event_study plot）
    """
    # 实现 Callaway & Sant'Anna (2021) 做法
    # 或直接调用 pyfixest.feols 配合 i(time, treat, ref=-1) 画事件研究
    ...

5.6 PSM / Entropy Balancing

def psm_match(df, treat, covariates, k=4, caliper=0.002):
    """最近邻 1:k 匹配 + caliper。返回带权重的新 DataFrame。"""
    from sklearn.linear_model import LogisticRegression
    from sklearn.neighbors import NearestNeighbors
    # 估计倾向得分 → 最近邻匹配 → 返回匹配后样本
    ...

def entropy_balance(df, treat, covariates):
    """使用 ebalance / cvxpy 实现熵平衡重加权。"""
    ...

5.7 Bootstrap Fisher 置换检验（异质性组间差异）

def bdiff_bootstrap(df, y, x, controls, fe, cluster, group_var, reps=500, seed=42):
    """
    对异质性分析的两组（High/Low）做 bootstrap Fisher 置换检验。
    rule/ 回归表写作规范总结.docx 第 4.5 节要求 500 reps。
    返回：p-value for (b_high - b_low)
    """
    rng = np.random.default_rng(seed)
    ...

6. LaTeX 输出：严格遵循 template/ + rule/

所有 .tex 由 Python 函数手写生成，目标是让输出和 template/ 中对应文件视觉一致：相同的 \toprule / \midrule / \bottomrule、相同的 \sym{} 宏、相同的列头结构（&\multicolumn{1}{c}{(1)}…）、相同的表注 justifying 段。

6.1 铁律（出自 rule/ 两份文档）

1. 不用竖线（|），不在系数区加额外 \hline。三线表：\toprule / \midrule / \bottomrule 各一次。
2. 控制变量必须逐一展示系数与 t 值，禁止 "Controls: Yes/No" 省略。
3. 变量顺序固定：核心 X → （交互项）→ 控制变量 → Constant（通常省略）。
4. 括号内是 t 值（不是标准误），表注首行固定写 t statistics in parentheses（若改为 SE，表注同步改）。
5. 显著性符号固定为 *** p<0.01, ** p<0.05, * p<0.1，星号嵌于 \sym{} 宏。
6. 数值格式：系数 %.4f，t 值 (%.2f)，观测数 %,.0f，R² %.2f。
7. 底部固定效应行：Firm FE / Year FE / City FE / Ind × Year FE …，Yes/No 显式标注。
8. 聚类层级匹配：聚类标准误层级必须与核心解释变量变异层级一致，表注中写清楚 "robust t-statistics clustered by the firm/city/..."。
9. 表注（noindent + justifying 段）必须写全：样本范围（"Chinese A-share listed firms from YYYY to YYYY"）、因变量定义、核心 X 定义、控制变量逐一列出、FE 组合、聚类层级、交叉引用 Table \ref{definition}、显著性符号说明。
10. 异质性表格必须含 \cmidrule(lr){i-j} 分组列头，并在表尾增加 p-value for Diff. (High-Low) 一行（bootstrap Fisher 置换检验，reps=500）。

6.2 Python 渲染函数（骨架）

def render_baseline_tex(models, labels_cols, var_order, var_labels,
                        fe_rows, nobs, r2, caption, label, note,
                        out_path):
    """
    按 template/baseline.tex 的结构写出 .tex。
    models: 列表，每个元素是 (coef_dict, t_dict)；coef_dict 的 key 与 var_order 一致。
    fe_rows: [('Firm FE', ['Yes','Yes',...]), ('Year FE', [...]), ...]
    """
    lines = [r'\begin{table}[htbp]\centering\scriptsize',
             r'\def\sym#1{\ifmmode^{#1}\else\(^{#1}\)\fi}',
             rf'\caption{{\textbf{{{caption}}}}}',
             rf'\label{{{label}}}',
             '',
             rf'\noindent{{\justifying{{{note}\par}}}}',
             r'\bigskip',
             '',
             rf'\begin{{tabularx}}{{\textwidth}}{{l{"Y"*len(models)}@{{}}}}',
             r'\toprule', '']

    # 列序号行
    header1 = '                ' + ''.join([rf'&\multicolumn{{1}}{{c}}{{({i+1})}}'
                                            for i in range(len(models))]) + r'\\'
    lines.append(header1)
    # 可选：第二行列头（因变量名 / 分组名）
    if labels_cols:
        header2 = '                ' + ''.join([rf'&\multicolumn{{1}}{{c}}{{{c}}}'
                                                for c in labels_cols]) + r'\\'
        lines.append(header2)
    lines.append(r'\hline\\')

    # 系数与 t 值：每个变量两行
    for v in var_order:
        vlab = var_labels.get(v, v)
        coef_line = f'{vlab:<16}' + ''.join(
            [rf'& {fmt_coef(m[0][v], m[2][v]):>17}' for m in models]) + r'\\'
        t_line = ' ' * 16 + ''.join(
            [rf'& {fmt_t(m[1][v]):>17}' for m in models]) + r'\\'
        lines += [coef_line, t_line]

    lines.append(r'\hline')
    # FE 行 + Obs + Adj R²
    lines.append(f'Obs             ' + ''.join([rf'&{n:>10,}        ' for n in nobs]) + r'\\')
    for name, vals in fe_rows:
        lines.append(f'{name:<16}' + ''.join([rf'&{v:>10}        ' for v in vals]) + r'\\')
    lines.append(f'Adjusted $ R^2$ ' + ''.join([rf'&{r:>10.2f}        ' for r in r2]) + r'\\')
    lines += [r'\bottomrule', r'\end{tabularx}', r'\end{table}']

    with open(out_path, 'w', encoding='utf-8') as f:
        f.write('\n'.join(lines))

def fmt_coef(b, stars):
    s = {3:r'\sym{***}', 2:r'\sym{**}', 1:r'\sym{*}'}.get(stars, '')
    sign = '  ' if b >= 0 else ' '
    return f'{sign}{abs(b):>7.4f}{s}'  # 与 template/baseline.tex 的对齐一致

def fmt_t(t):
    return f'({t:>5.2f})'

render_sumstat_tex、render_iv_tex（含 First Stage/Second Stage 分组列头 + \cmidrule）、render_channel_tex（因变量行在第二层列头）、render_heterogeneity_tex（含 p-value for Diff. 行）、render_psm_ddml_tex（Panel A + Panel B 复合表）、render_variables_tex（p{2.0cm}p{13.5cm} 两列定义表）、render_sample_tex（附录用，Panel A + Panel B 两栏式样）按 template/ 中对应文件一一对应实现。

render_sample_tex 结构要求（附录 sample.tex）：

• Panel A: Sample Construction —— 三列表：Filtering Step | # Firm-Year Observations | # Unique Firms
  • 示例行：All CSMAR A-share firm-years (2003-2023) / Drop financial & insurance (CSRC=J) / Drop ST or *ST / Drop IPO year / Drop firm-years with missing controls / Final sample
  • 每一步给出剔除数量与剩余数量，最终一行为最终样本量
• Panel B: Sample Distribution —— 两个子表并排或纵向堆叠：
  • B1. By Year：year / N / % of total
  • B2. By Industry（CSRC 2012 一位代码）或 By Region（东/中/西 或 省份）：group / N / %
• 格式：沿用 template/psm_ddml.tex 的 Panel A / Panel B 两 tabularx 并列写法；三线表；列头居中；样本量 %,.0f 格式
• 表注（\noindent{\justifying{...}}）：说明样本起止年、排除条款、缩尾分位；给出 CSRC 2012 行业代码口径、东中西划分依据

6.3 图像绘制（matplotlib）

遵循 rule/回归表写作规范总结.docx 第五部分图像规范：白底、黑框、Times New Roman、.pdf + .png 双份输出。

• 事件研究图：errorbar(rcap 样式) + axhline(0) + axvline(基准期, linestyle='--')
• 规格曲线：系数值排序散点 + 下方变量勾选矩阵
• 安慰剂分布：hist + kde，真实系数 axvline(color='red')
• 森林图：横向 errorbar，按"经济/制度/文化/政策"分组，每组一个 subplot
• PSM 平衡：匹配前/后 |% bias| 散点或条形图
• Binscatter：seaborn.regplot 或手写残差化后分 bin，散点 navy，拟合线 maroon

7. 数据来源与检索流程（asset/ 优先，但不限于 asset/）

7.1 数据来源优先级

数据来源不限于 asset/ 中的两份清单——asset/ 只是优先考虑的入口。实际研究中，研究者可（且应）按下述优先级补充其他来源：

1. asset/计量方法+政策数据库.md（50 页精简版） + 两份 CSV 清单（马克数据网 + 皮皮慢数据）—— 最优先；md 提供"方法 × 政策 × 数据"三维交叉速查，CSV 提供数据集名匹配 1.5. asset/全网首发计量方法+政策数据库.pdf —— 仅当 md 精简版不足时打开（975 页完整版，按 md §14 索引定位到 PDF 页码）
2. asset/MCP.docx 中登记的 MCP 服务器（如 CSMAR-MCP：https://lobehub.com/zh/mcp/yourusername-csmar-mcp-server）—— 次优先。MCP 服务器可通过 Claude Code 直接拉取数据，免手工下载
3. 商业数据库：CSMAR（国泰安）、WIND、RESSET、CNRDS、BvD Osiris、Thomson Reuters
4. 官方统计：国家统计局 / 人民银行 / 银保监会 / 证监会 / 海关总署 / 各级地方统计局年鉴
5. 政府信息公开：生态环境部数据中心、国务院发展研究中心、各部委公报、裁判文书网
6. 学术镜像：北京大学开放研究数据平台、CEIC、WGI、CGSS / CFPS / CHIP 微观调查
7. 自建/手工整理：政策文本分词、公告解析、企业年报文本、专利申请文本、社交媒体
8. 第三方开源：JoinQuant / Tushare / AkShare / BaoStock 等爬虫接口
9. 境外对照：Compustat / CRSP（同行业国际对照），Worldscope（境外子公司）

MCP 服务器使用说明：asset/MCP.docx 登记的每个 MCP 服务器附有 lobehub 页面 URL，按页面中的安装指引（通常是 npx / uvx 命令配置到 ~/.claude.json 或 settings.json 的 mcpServers 字段）完成安装；安装后通过 mcp__<server-name>__<tool> 前缀工具调用。安装步骤由研究者或 skill 借助 update-config skill 辅助完成。

7.2 检索流程（优先→兜底）

1. 研究者先给数据关键词（如"地级市数字经济""股权质押""绿色专利""环保税""金税工程""沪港通""注册制""营改增"…）或政策名。
2. 第一轮：查 asset/ 清单。
   • 方法 / 政策 / 数据三维检索：先用 Read / Grep 在 asset/计量方法+政策数据库.md（50 页精简版，首选入口）中按"方法（§2–§11）/ 政策（§12）/ 数据（§13）"三个维度交叉定位；
   • 数据集名查询：用 pandas 在 asset/macrodatas_list.csv、asset/ppmandata_trade_list.csv 中搜索 title / keyword / data_intro / data_indicators 列，返回 top 5 候选；
   • PDF 兜底：仅当 md 中的精简描述不足以判断时，才打开 asset/全网首发计量方法+政策数据库.pdf 查阅原始 800+ 实证研究的完整页（按 md 第 14 章索引定位到具体 PDF 页码）。
3. 第二轮：查 asset/MCP.docx。若 asset/ 清单无匹配，查看 asset/MCP.docx 中登记的 MCP 服务器能否覆盖该变量（如 CSMAR-MCP 覆盖上市公司基本面 + 治理变量）。确认后按 docx 中的 URL 指引完成 MCP 安装，调用 MCP 工具取数。
4. 第三轮：外部补充。清单与 MCP 均不覆盖时，提示研究者从 7.1 第 3–9 项其他来源补充。建议清单格式给研究者勾选：
   • "需要我搜索 CSMAR 是否有此变量吗？"
   • "这个政策可能需要手工整理政策文本 + LLM 抽取关键字段，是否继续？"
   • "若 asset/ 与 MCP 都没有该城市面板，可用统计年鉴逐年拼接，请研究者下载后放入 data/raw/。"
5. 第四轮：仍无法获取时，进入 Plan-B（§3.A）：
   • 替换因变量/自变量度量为 asset/ 或 MCP 已覆盖的近似代理
   • 降级研究范围（如公司级 → 行业级、全国 → 长三角/珠三角）
   • 或改用合成 / 二手数据拼接方案

7.3 数据来源透明化（强制）

无论数据来自 asset/、MCP 服务器还是外部来源，在 sample.tex 与论文 Data 小节必须标注每个变量的原始出处（数据库名 + 访问年份 + 是否手工整理）：

• asset/ 清单：写明具体数据集条目 id（如 macrodatas_list.csv 第 1776761040 行）
• MCP：写明服务器名与调用工具（如 CSMAR-MCP / mcp__csmar__get_financials）与访问日期
• 商业库/外部：写明数据库全称 + 字段表名 + 下载日期

def search_asset(keyword, top=5):
    """三维检索：先扫精简 md，再扫两份 CSV。md hits 用于方法 / 政策 / 数据三维定位；
    CSV hits 用于具体数据集名匹配。"""
    md_path = 'asset/计量方法+政策数据库.md'
    md_lines = open(md_path, encoding='utf-8').read().splitlines()
    md_hits = [(i + 1, ln) for i, ln in enumerate(md_lines) if keyword in ln][:top]
    if md_hits:
        print(f"[md] 在 {md_path} 命中 {len(md_hits)} 行（行号+片段）：")
        for ln_no, ln in md_hits:
            print(f"  L{ln_no}: {ln.strip()[:120]}")

    cols = ['title','data_source','keyword','data_intro','data_indicators','article_url']
    csv_results = []
    for csv in ['asset/macrodatas_list.csv','asset/ppmandata_trade_list.csv']:
        df = pd.read_csv(csv, usecols=cols, encoding='utf-8', errors='ignore')
        hit = df[df.apply(lambda r: keyword in str(r.to_dict()), axis=1)]
        csv_results.append(hit.head(top))
    out = pd.concat(csv_results)
    if len(out) == 0 and not md_hits:
        print(f"[!] asset/ 无匹配 '{keyword}'。建议来源：CSMAR / WIND / 统计年鉴 / 手工整理。")
    return out

8. 中国公司金融研究的常见坑（必检）

| 陷阱 | 做法 | |---|---| | 样本未剔除金融业（证监会行业代码 J） | 默认剔除 | | 未剔除 ST / *ST / IPO 当年 | 默认剔除 | | 控制变量极端值 | 连续变量 1% / 99% 缩尾（winsor），在表注中说明 | | 行业分类口径 | 优先 CSRC 2012（制造业 2 位代码），在稳健性中替换 SIC | | 省/市合并问题 | 2011 前巢湖、2020 后区划调整等，需统一合并 | | 聚类层级 | 基本单位聚类（firm/city），稳健性中替换 province × year 双向聚类 | | staggered DID | 必配 CS-DID 或 Sun-Abraham 交叉验证，避免 TWFE 负权重 | | 政策公布 vs 实施 | 区分"公布年""实施年"，在稳健性中替换 | | 同期政策混淆 | 检索 asset/计量方法+政策数据库.md 第 §12 节"中国政策大全"按主题域排查同期政策；在基准回归中加入同期政策的 dummy 控制 |

9. 输出项目目录（运行 skill 时自动建议）

在 CONTRACT 九字段确认后，自动生成如下骨架（所有 Python 脚本预埋 template/ 对照的 render_*_tex 调用）：

{项目名}/
├── 00_proposal.md                          # 计划书固化版（**顶部 YAML：target_journal / bibliography_style / writing_preferences**；下接 CONTRACT 九字段）
├── DECISION_LOG.md                         # Plan-B 切换记录（3.A.3）
├── data/raw/                               # 研究者放入原始数据
├── data/cleaned/sample.parquet             # 清洗后样本
├── code/
│   ├── 00_config.py                        # 全局变量（样本年份、控制变量列表、FE 配置）
│   ├── 01_clean.py                         # → results/sample.tex（样本构造 Panel A + 样本分布 Panel B）
│   ├── 02_sumstat.py                       # → results/sum_stat.tex + results/variables.tex
│   ├── 03_parallel.py                      # → results/parallel.pdf   [DID 专用]
│   ├── 04_baseline.py                      # → results/baseline.tex
│   ├── 05_iv.py                            # → results/iv.tex
│   ├── 05b_dml.py                          # → results/psm_ddml.tex Panel B
│   ├── 06_measures.py                      # → results/measures.tex
│   ├── 07_channel.py                       # → results/channel{1,2,3}.tex
│   ├── 08_hetero.py                        # → results/heterogeneity{1,2,3}.tex
│   ├── 09_robust.py                        # → results/{addctr,specification,sampling,bunching-did}.tex
│   ├── 10_psm.py                           # → results/psm_ddml.tex Panel A + results/psm-pre-post.pdf
│   ├── 11_placebo.py                       # → results/placebo.pdf   [DID 专用，非 DID 项目不生成此脚本]
│   └── 12_further.py                       # → results/further.tex (+ results/specurve.pdf)
├── results/                                # 最终交付物：.tex 表格 + .pdf/.png 图像 全部放此处
└── main.tex                                # 正文入口，preamble 照抄 template/main.tex；\input{results/xxx.tex}

main.tex 生成规则：

创建项目时从 template/main.tex 照抄三类块到 {项目名}/main.tex：

1. Preamble：documentclass / usepackage / 自定义宏 / 页面设置 / \def\sym{...}
2. References 块：参考文献样式（\bibliographystyle{...} + \bibliography{...} 或 thebibliography 环境）。\bibliographystyle{} 不照抄 template，而是按 00_proposal.md YAML 中的 bibliography_style 填入（如 JFE → \bibliographystyle{jfe}、JCF → \bibliographystyle{elsarticle-num}、CER → \bibliographystyle{elsarticle-num}、JAR → \bibliographystyle{jar}，详见 §3.4.4）。
3. Appendix 块：\appendix 起始指令、附录标题样式、附录表/图的编号重置 \setcounter{table}{0}\renewcommand{\thetable}{A\arabic{table}} 等

此外，Section 骨架（\section{...} 命名与顺序）按 00_proposal.md YAML 中的 section_skeleton 字段渲染（不同期刊骨架不同，见 §3.4.4），不再机械照抄下文的"Introduction / Literature Review / Research Design / Empirical Results / Conclusion"五段式。

main.tex 整体结构（严格按此顺序）：

<Preamble>                                 % 来自 template/main.tex
\begin{document}
\maketitle
\begin{abstract}\end{abstract}              % 摘要 body 留空

% ★ 以下 \section / \subsection 顺序与命名按 §3.4.4 的 section_skeleton 替换；
%   每个 \section / \subsection 下 body 一律留空（不写 prose）。
%   这是默认 JFE-style 骨架，其他期刊（JAR / JF / MS / CER…）按 §3.4.4 替换。

\section{Introduction}

\section{Background and Hypothesis Development}
\subsection{China's Institutional Setting}
\subsection{Hypothesis Development}

\section{Data and Sample}
\subsection{Sample Construction}
\subsection{Variable Definitions}
\subsection{Summary Statistics}

\section{Empirical Strategy}
\subsection{Baseline Specification}
\subsection{Identification Strategy}                 % 含 IV / DID / RDD / DML 等

\section{Empirical Results}
\subsection{Baseline Results}
\subsection{Parallel Trends and Dynamic Effects}     % ★ 仅 DID 项目保留；非 DID 删除
\subsection{Endogeneity Concerns}                    % IV / DML / Heckman
\subsection{Mechanism Analysis}
\subsection{Heterogeneity Analysis}
\subsection{Further Analysis}

\section{Robustness Checks}                          % 正文只点题；完整稳健性表放附录
\subsection{Alternative Measures}
\subsection{Alternative Specifications}
\subsection{Subsample Analyses}
\subsection{Placebo Tests}                           % ★ 仅 DID 项目保留；非 DID 删除

\section{Conclusion}

%—— References（照抄 template/main.tex 的参考文献块格式）——
\bibliographystyle{...}
\bibliography{references}

%================================================================
%  正文图（Main-text Figures：图在前）
%================================================================
\clearpage
\begin{figure}[htbp]\centering
  \includegraphics[width=0.9\textwidth]{results/parallel.pdf}
  \caption{Parallel Trends}\label{fig:parallel}
\end{figure}
% 正文图依次（★ 仅 DID 项目）：parallel / csdid-figure / estimator / placebo
% 非 DID 项目：本节不出现 parallel / csdid-figure / estimator / placebo，仅保留 §4 主线第 12 步可选图

%================================================================
%  正文表（Main-text Tables：表在后；内生性紧跟 baseline）
%================================================================
\clearpage
\input{results/sum_stat.tex}           % 描述性统计
\input{results/baseline.tex}           % 基准回归（定海神针）
\input{results/iv.tex}                 % ★ 内生性 —— 紧跟 baseline
\input{results/heterogeneity1.tex}     % 异质性 1（异质性 先于 机制）
\input{results/heterogeneity2.tex}     % 异质性 2
\input{results/heterogeneity3.tex}     % 异质性 3
\input{results/channel1.tex}           % 机制 1
\input{results/channel2.tex}           % 机制 2
\input{results/channel3.tex}           % 机制 3
\input{results/further.tex}            % 进一步分析

%================================================================
%  Appendix（附录；稳健性表格 + 附加图；格式照抄 template/main.tex）
%================================================================
\appendix
\section{Robustness Checks}

%—— 附录图 ——
\begin{figure}[htbp]\centering
  \includegraphics[width=0.9\textwidth]{results/psm-pre-post.pdf}
  \caption{PSM Balance: Pre vs. Post}\label{fig:psm-balance}
\end{figure}
\begin{figure}[htbp]\centering
  \includegraphics[width=0.9\textwidth]{results/specurve.pdf}
  \caption{Specification Curve}\label{fig:specurve}
\end{figure}

%—— 附录表（变量定义 + 样本构造 + 稳健性）——
\input{results/variables.tex}          % ★ 变量定义表（附录首张）
\input{results/sample.tex}             % ★ 样本构造与分布（Panel A 构造 / Panel B 分布）
\input{results/measures.tex}           % 替换因变量度量
\input{results/addctr.tex}             % 附加控制变量
\input{results/specification.tex}      % 高维交互 FE
\input{results/sampling.tex}           % 样本筛选稳健性
\input{results/bunching-did.tex}       % Bunching-DID 稳健
\input{results/psm_ddml.tex}           % PSM + DML（Panel A / Panel B）

\end{document}

强制规则：

1. 正文章节（Introduction ~ Conclusion）不嵌入实物表图，只用 \ref{tab:baseline} / \ref{fig:parallel} 引用。
2. References 之后依次放：正文 Figures → 正文 Tables → Appendix。
3. 正文 Figures 在前，正文 Tables 在后（顺序不可颠倒）。
4. 正文表排列顺序（固定）：

   sum_stat → baseline → iv（内生性）
     → heterogeneity1/2/3 → channel1/2/3 → further
   

   内生性表（iv.tex）紧跟在 baseline.tex 之后；如有多张内生性表（如额外的 IV / 自然实验），也放在 baseline 与 heterogeneity 之间连续排列。异质性在机制之前。
5. 附录表排列顺序（固定）：

   variables（变量定义） → sample（样本构造与分布）
     → measures → addctr → specification → sampling → bunching-did → psm_ddml
   

   附录首张为 variables.tex（变量定义），紧随其后为 sample.tex（样本构造 Panel A + 样本分布 Panel B），然后是全部稳健性检验表。
6. 附录图（如 psm-pre-post.pdf、specurve.pdf）与附录表一同放在 \appendix 之后；正文图只保留 parallel / csdid-figure / estimator / placebo 这类支撑主结论的图（这四张图仅 DID 项目出现，非 DID 项目正文区不放图）。
7. 附录编号格式（Table A1 / Figure A1）由 template/main.tex 附录块中定义的 \setcounter + \renewcommand{\thetable}{A\arabic{table}} 等宏控制，严格照抄不自行发明。
8. References 块格式同样严格照抄 template/main.tex。
9. 不建 paper/ 子目录；所有 \input / \includegraphics 路径以 results/xxx 开头（相对于 main.tex 所在目录）。
10. 正文 body 一律留空：main.tex 正文章节区只填写 \section{...} 与 \subsection{...} 标题（按 §3.4.4 section_skeleton 调整命名），每个 \section / \subsection 之下不写任何 prose——正文 prose 由研究者后续撰写。\begin{abstract}\end{abstract} 同样留空。
11. 不为任何章节单独建 .tex 文件：所有 \section / \subsection 标题直接写在 main.tex 内，禁止创建 introduction.tex / data.tex / results.tex / conclusion.tex 等"章节体"分文件。\input{} 只用于 results/*.tex（表格）。
12. 安慰剂相关章节 / 图 / 表条件性出现：\subsection{Placebo Tests}、results/placebo.pdf、\subsection{Parallel Trends and Dynamic Effects}、results/parallel.pdf / csdid-figure.pdf / estimator.pdf 这五项仅 DID / Staggered DID / PSM-DID 项目出现；纯 Panel FE+IV / RDD / DML / 合成控制项目从 main.tex 中删除上述章节/图引用。

最终交付物（仅两类）：

1. Python 代码：code/ 目录下全部 .py 脚本，可从原始数据一键跑通到所有表图。
2. 图表：results/ 下的 .tex（LaTeX 表格，符合 template/ 格式）+ .pdf 与 .png（双份导出的图像）。表格与图像统一放入 results/，不再单独建 figures/ 目录。

另外附带 {项目名}/main.tex（preamble 照抄 template/main.tex，正文依次 \input{results/xxx.tex} 并 \includegraphics{results/xxx.pdf}），与 code/ 并列放在项目根，不嵌入 paper/ 子目录。

不交付 Word / Markdown 报告；不交付 Stata .do 文件；不交付中间数据集。

10. AI 在本 skill 下的行为准则

1. 计划书驱动：无 proposal 不启动；proposal 即契约。执行中遇到任何判断岔路，先回查 00_proposal.md。 1.5. 🆕 启动后第二步是目标期刊推荐（§3.4），不可跳过、不可代选：CONTRACT 九字段补齐后，必须按 §3.4.3 输出格式呈现 [J1]–[J5] 5 本英文目标期刊（含 4 维星级 + Why it fits + Editorial preference + bib style），显式停下询问研究者；在收到选择前不进入项目骨架生成。研究者选定后立即将 target_journal / bibliography_style / writing_preferences YAML 块写入 00_proposal.md 顶部，后续 render_main_tex() 与各 render_*_tex() 均以此为准。
2. 自主闭环，不卡壳：结果不达预期时，按第 3.A 节 Plan-B 决策树自行切换并继续执行，不停下等研究者拍板。切换即记录 DECISION_LOG.md。
3. 小步快跑：一次只完成研究链条中的一个环节；完成后展示 .tex 摘要（前 10 行 + 后 10 行）与 proposal 预期的对比（✅/⚠️/❌），再进入下一环节。
4. 格式一致性检查：每次写 .tex 前，先 Read 对应 template/*.tex，比对列数、列头、FE 行、Notes 段，再渲染。
5. 不擅自改规则：rule/ 中的规则是强制的；若研究者要求偏离，需要研究者明确书面说明（例如"审稿人要求改报告标准误"）。
6. 不跑 Stata：所有回归、PSM、DML、CS-DID、bdiff 均用 Python 实现。rule/ 中的 Stata 代码只作为"输出格式参照"。
7. 保护工作目录：asset/ rule/ template/ 三个文件夹只读，不写入、不修改、不重命名。所有研究输出只放入 {项目名}/ 子目录。
8. 生成表后自检：逐项核对 rule/回归表写作规范总结.docx 第九部分的"AI 写作检查清单"（三线表、控制变量全展示、t 值括号、\sym{} 星号、FE 行、聚类层级、表注完整）。
9. 只交付代码与图表：最终产物限定为 code/*.py + results/*.tex + results/*.pdf|png（表与图同在 results/）；不产出额外报告、摘要、PPT、Word。
10. 中英文规范：变量名、表题、列头、FE 行用英文；表注（\noindent{\justifying{...}}）用英文；中英混排中英之间空一格、中文标点用全角。
11. 🆕 安慰剂仅 DID 时做：当 00_proposal.md 第 (4) 条识别策略为 DID / Staggered DID / PSM-DID 时执行 §4 第 11 步安慰剂检验（11_placebo.py + results/placebo.pdf + \subsection{Placebo Tests} + 正文 placebo 图引用）；当识别策略为 Panel FE+IV / RDD / DML / 合成控制 时整体跳过安慰剂——code/ 不生成 11_placebo.py，results/ 不出现 placebo.pdf，main.tex 中不出现 \subsection{Placebo Tests} 与对应 figure 块。平行趋势 / CS-DID / estimator 三图同样仅 DID 项目出现。
12. 🆕 main.tex 正文只写标题，body 留空：\section{...} 与 \subsection{...} 命名按目标期刊 section_skeleton 填齐，下面不写任何 prose（一行空行即可）；\begin{abstract}\end{abstract} 也留空。研究者后续自行撰写正文。skill 完成后展示 main.tex 行数应与 §9 模板示例相当（章节标题层级 + \input{results/*} + figure 块，无段落 prose）。
13. 🆕 不为章节单独建 .tex 文件：禁止生成 introduction.tex / background.tex / data.tex / methodology.tex / results.tex / conclusion.tex 之类的 section-body 分文件。所有正文 Section / Subsection 标题直接写在 main.tex 内；\input{...} 仅用于 results/*.tex（表格）。

11. 启动示例

最小计划书（文本形式）

研究计划书 题目：数字经济与企业融资约束 假设：城市数字经济发展 (X = DigiEcon) 降低本地企业融资约束 (Y = SA/KZ index) 预期：X 对 Y 的系数显著为负（p<0.05），渠道为"信息不对称下降 + 信贷可得性上升"， 异质性上非国企、中小企业效应更强 识别：Panel FE + IV（IV: 光缆端口历史存量 × 时间 / Broadband China 试点） 样本：A 股非金融上市公司，2011–2023 数据：优先在 asset/ 检索"数字经济指数""宽带中国""融资约束"；asset/ 未覆盖的（如 SA/KZ 指数、公司基本面）先看 asset/MCP.docx 的 CSMAR-MCP 能否直取； 仍未覆盖的（如光缆端口历史存量）从统计年鉴 / 手工整理补充 机制：M1 = 信息不对称（分析师关注/盈余同步性）；M2 = 信贷可得（新增长贷/短贷比） 异质性：产权性质（SOE/非 SOE）；规模（大/中/小）；地区（东/中/西）

提交后 skill 立即：

1. 解析 CONTRACT 九字段；若有缺项，一次性追问补齐
2. 🆕 推荐 5 个最合适的英文目标期刊（如本例宽带中国 IV → JFE / MS / JCF / RFS / China Economic Review），按 §3.4.3 格式呈现 [J1]–[J5]（含 4 维星级 + Why it fits + bib style），停下询问研究者
3. 研究者选定（例如 JFE）→ 生成 数字经济_融资约束/00_proposal.md（CONTRACT 九字段 + 顶部 target_journal: JFE YAML 块）
4. 按 §3.4.4 把目标期刊的 \bibliographystyle{jfe} 与 Section 骨架写入 {项目名}/main.tex
5. 搜索 asset/ 返回候选数据集，等研究者选定
6. 按第 4 节主线执行；若基准 X 系数方向反向，自动进入 3.A.2【基准回归】Plan-B B1→B7
7. 最终交付：code/ 全套 Python + results/*.tex 全套表 + results/*.pdf|png 全套图（表与图同在 results/）+ DECISION_LOG.md 追溯记录