# Did Analysis Expert

> Difference-in-Differences (DID) analysis expert. Provides parallel trend testing, treatment effect estimation, robustness checks, and heterogeneity analysis. Suitable for policy evaluation, causal inference, and quasi-experimental design.

- Skill: `ptreezh/did-analysis-expert` (Agent Skill, multi-file: 40 files)
- Install (CLI): `npx skillmds@latest add ptreezh/did-analysis-expert`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ptreezh/did-analysis-expert/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- License: MIT
- Author: ptreezh (https://skillmd.com/u/ptreezh)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/ptreezh/did-analysis-expert

---


metadata:
  version: "5.1.0-cli-native+agent"
  methodology: "Difference-in-Differences (Angrist & Pischke 2009)"
  absolute-prohibitions: true
  task-decomposition-rules: true
  ai-cli-native: true
  task-queue-support: true
  agentskills-io: true
  cross-platform: true
  state-persistence: true
  academic-alignment: true
  subagent-support: true
  graceful-fallback: true
  created: "2026-03-05"
  updated: "2026-03-14"
  author: "SocienceAI Methodology Expert"
  license: "MIT"

  execution_modes:
    cli_queue: "CLI任务队列（基础）"
    subagent_parallel: "子Agent并行（增强）"

  performance:
    sequential: "20-40分钟/单案例"
    parallel: "30分钟/3案例并行（3x加速）"
---

## 在 AI CLI 中使用

### 方式 1: 在对话中直接使用（推荐）

```
你：使用DID分析技能分析这个政策干预的效果

AI: 好的，我将使用DID分析技能进行分析。
    正在创建任务队列...

    任务清单：
    1. 数据结构验证 (5 分钟)
    2. 平行趋势检验 (15 分钟)
    3. 处理效应计算 (10 分钟)
    4. 稳健性检验 (15 分钟)
    5. 异质性分析 (10 分钟)
    6. DID分析报告 (10 分钟)

    共 6 个任务，预计 65 分钟。开始执行...
```

### 方式 2: 使用 Python 工具

```bash
# 1. 数据验证
python tools/data_validator.py -i data/did_data.csv -o results/validation.json

# 2. 平行趋势检验
python tools/parallel_trends_checker.py -i data/pre_treatment.csv -o results/parallel_trends.json

# 3. 处理效应计算
python tools/treatment_effect_calculator.py -i data/analysis_data.csv -o results/treatment_effect.json

# 4. 稳健性检验
python tools/robustness_tester.py -i results/treatment_effect.json -o results/robustness.json

# 5. 异质性分析
python tools/heterogeneity_analyzer.py -i data/subgroups.csv -o results/heterogeneity.json

# 6. 安慰剂检验
python tools/placebo_test.py -i data/pre_treatment.json --treatment treated --control control --outcome outcome -o results/placebo.json
```

## 基本信息

**名称**: did-analysis-expert (Difference-in-Differences Analysis Expert)
**版本**: 5.0.0-cli-native+agent
**作者**: SocienceAI Methodology Expert
**许可证**: MIT

## 描述


## 🖥️ 项目初始化（跨平台Python脚本）

### 使用Python创建项目目录

```python
import os

# 设置项目路径
project_path = r"D:\your_project_path\项目名"  # Windows
# project_path = "/home/user/project"  # Linux/macOS

# 创建标准目录结构（跨平台兼容）
for subdir in ['.tasks', 'data', 'results', 'visualizations', 'logs']:
    os.makedirs(os.path.join(project_path, subdir), exist_ok=True)

print(f"项目目录创建完成: {project_path}")
```

### 目录结构

```
项目目录/
├── .tasks/           # 任务状态和进度
├── data/             # 原始数据
├── results/          # 分析结果
├── visualizations/   # 可视化
└── logs/             # 日志
```

### ⚠️ 禁止使用
- ❌ `# # 使用Python os.makedirs创建目录
`（Linux命令，Windows不支持）
- ✅ 使用Python的`os.makedirs(path, exist_ok=True)`（跨平台兼容）


**双重差分分析专家** - 支持**复杂任务分解**和**长时任务执行**的因果推断分析技能。

DID (Difference-in-Differences) 通过比较处理组和对照组在政策实施前后的变化差异，识别和估计政策的因果效应。

### 核心能力

1. **数据结构验证**
   - 面板数据完整性检验
   - 处理组/对照组识别
   - 政策前后期数验证

2. **平行趋势检验**
   - 事件研究法
   - 趋势图绘制
   - 统计显著性检验

3. **处理效应计算**
   - 双向固定效应模型
   - 聚类标准误
   - 置信区间估计

4. **稳健性检验**
   - 安慰剂检验
   - 敏感性分析
   - 子群体分析

### 适用场景

- 政策评估研究
- 准实验设计分析
- 面板数据因果推断
- 自然实验分析
- 干预效果评估

## 方法论基础

### DID核心公式

```
DID效应 = (Y_处理组,后 - Y_处理组,前) - (Y_对照组,后 - Y_对照组,前)
```

### 标准回归方程

```
Y_it = α + β(Treated_i × Post_t) + γX_it + μ_i + λ_t + ε_it
```

### 核心假设

1. **平行趋势假设**：处理组和对照组在无干预时有相同趋势
2. **外生性假设**：处理分配与潜在结果无关
3. **SUTVA**：无溢出效应

## 六大绝对禁止原则

### 1. 禁止未检验平行趋势就报告效应

**错误做法**:
```yaml
直接估计DID效应:
  - 忽视平行趋势假设
  - 直接报告因果效应
```

**正确做法**:
```yaml
平行趋势检验优先:
  步骤1: 绘制事前趋势图
  步骤2: 事件研究法检验
  步骤3: 统计检验通过
  步骤4: 才能报告效应
```

### 2. 禁止忽视聚类标准误

**错误做法**:
```yaml
使用普通标准误:
  - 忽视面板数据相关性
  - 导致假阳性结果
```

**正确做法**:
```yaml
聚类稳健标准误:
  - 在单位层面聚类
  - 解决序列相关问题
```

### 3. 禁止忽视溢出效应

**错误做法**:
```yaml
假设无溢出:
  - 不讨论处理组对对照组的影响
  - 忽视SUTVA违反
```

**正确做法**:
```yaml
讨论溢出效应:
  - 评估处理组影响范围
  - 讨论潜在偏误方向
```

### 4. 禁止选择性报告

**错误做法**:
```yaml
选择性报告:
  - 只报告显著结果
  - 隐藏不稳健发现
```

**正确做法**:
```yaml
透明报告:
  - 报告所有预定义分析
  - 包括不显著结果
```

### 5. 禁止过度外推

**错误做法**:
```yaml
过度外推:
  - 将局部因果效应推广到全局
  - 忽视研究情境限制
```

**正确做法**:
```yaml
有限外推:
  - 明确因果效应的适用范围
  - 讨论外部效度限制
```

### 6. 禁止忽视假设限制

**错误做法**:
```yaml
忽视假设:
  - 不讨论识别假设
  - 不报告潜在违反
```

**正确做法**:
```yaml
假设讨论:
  - 逐一讨论核心假设
  - 诚实报告潜在违反
```

## 工具链

| # | 工具名称 | 功能描述 |
|---|----------|----------|
| 1 | analyze.py | 主分析入口，调度各工具 |
| 2 | data_validator.py | 验证 DID 数据结构 |
| 3 | parallel_trends_checker.py | 检验平行趋势假设 |
| 4 | treatment_effect_calculator.py | 计算处理效应 |
| 5 | robustness_tester.py | 鲁棒性检验 |
| 6 | heterogeneity_analyzer.py | 异质性分析 |
| 7 | placebo_test.py | 安慰剂检验 |
| 8 | planning-integration.py | 任务规划集成 |

## 质量保证机制

1. **阶段检查点**：每阶段结束进行质量检查
2. **平行趋势门槛**：未通过平行趋势检验不得报告因果效应
3. **稳健性覆盖**：必须至少执行2种稳健性检验
4. **标准误规范**：必须使用聚类稳健标准误
5. **假设讨论**：必须讨论识别假设的潜在违反

### 一、禁止定性分析硬编码（CRITICAL）
---


## 详细指南

完整的使用指南请参考: [详细指南](references/detailed-guide.md)

---

**版本**: 5.0.0-cli-native+agent
**更新日期**: 2026-03-14
**方法论严谨性**: 0%妥协