温馨提示若页面不能正常显示数学公式和代码请阅读原文获得更好的阅读体验。作者舒清扬 (连享会)邮箱lianxhcn163.com分类内生性-因果推断Title: 别急着做 DID (下)让 AI 做你的政策分析「虚拟导师」Keywords: AI, 政策评价, 因果推断, 实证研究设计, DID, 识别策略提要多数人习惯向 AI 发布指令但做研究设计时我们自己往往还不知道真正该问什么。换一种方式先把研究材料交给 AI让它主动追问政策背景、反事实、识别威胁和数据条件。本文介绍一种「虚拟导师」工作流帮助你把初步想法逐步变成可审查的研究设计。很长一段时间里我们对工具的使用方式都很简单人提出目标工具完成任务。计算器负责计算搜索引擎负责检索统计软件负责估计模型。我们习惯把自己放在指挥者的位置上把工具放在执行者的位置上。这种习惯很自然地延伸到了 AI。打开 ChatGPT、Claude 或 DeepSeek我们通常也是直接发布指令帮我写一个 DID 模型。帮我分析这个政策的作用机制。帮我设计几个稳健性检验。帮我找一个工具变量。对于写代码、整理文字、修改表达等任务这种方式很好用。目标越明确AI 越容易执行。但研究设计有些不同。刚开始做一个选题时我们自己往往也没有把问题完全想清楚。这个政策究竟如何进入样本谁真正受到政策影响控制组为什么可以代表反事实政策进入是否存在选择什么时候才算真正受到政策影响有没有政策预期和外溢效应现有数据能否观察到理论中描述的机制如果这些问题还没有想清楚就先告诉 AI「帮我做 DID」多少有点像「外行指挥内行」问题还没有诊断清楚分析路径已经先规定好了。这里的「内行」并不是说 AI 比专业研究者更懂经济学。更准确地说在已有材料基础上持续追问、整理线索、寻找遗漏、构造反例和模拟审稿人是当前 AI 很适合承担的一类工作。因此我们可以把角色换一下。「虚拟导师」模式常见用法是我提问 → AI 回答换一种方式我提供材料 → AI 追问 → 我补充材料 → AI 诊断 → 我修改想法 → AI 再审查关键变化不在于提示词写得更长而在于把一部分提问权交给 AI。上篇《别急着做 DID (上)先把政策背景搞清楚》讨论了为什么政策背景本身就是研究设计的一部分。本文接着往下走如何让 AI 主动追问把这个前期研究过程真正跑起来。1. 导师真正提供的往往是问题你去找导师说我想研究某项政策对企业创新的影响。有经验的导师通常不会马上回答好用 DID。他更可能接着问这个政策怎么实施的企业是自动进入还是自己申请谁决定哪些企业能进入什么时候公布名单你准备拿谁做控制组为什么这些企业可以做控制组企业会不会提前知道自己可能入选有没有其他政策同时发生学生回答以后导师又会根据答案继续追问。一次讨论下来原来的题目可能已经改了处理组重新定义了政策时点变了甚至识别方法也换了。导师真正有价值的地方很多时候并不是告诉你「应该用什么模型」而是不断追问为什么AI 很适合参与这种工作。它可以反复阅读政策文件、整理制度细节、比较已有论文、提出替代解释也可以不断扮演反方追问某个识别假设究竟凭什么成立。但我们平时使用 AI 时很少允许它这样工作。例如我想研究绿色工厂认定对企业绿色创新的影响。 请帮我设计一个 DID 模型。这句话其实已经替 AI 做了一个很重要的决定这个问题应该用 DID。于是 AI 很容易顺着这个方向往下走构造Treat × Post加入企业固定效应和年份固定效应再安排平行趋势、安慰剂、机制和异质性检验。真正需要讨论的问题反而被跳过去了。所以「虚拟导师」模式的第一步很简单先不决定方法。2. 开始讨论前先准备一个「研究材料包」导师能问出什么问题很大程度上取决于你给了他什么材料。AI 也是一样。只告诉 AI我想研究某政策对企业创新的影响。它能利用的信息很少只能依靠一般经验补全缺失内容回答自然容易模板化。更有效的做法是在开始讨论前准备一个简单的「研究材料包」。温馨提示若页面不能正常显示数学公式和代码请阅读原文获得更好的阅读体验。