AutoRegMonkey Skill - 智能计量经济学分析代理
基于LLM的智能计量经济学分析系统，能够理解用户任务、查询RAG知识库、动态调用Python和Stata工具，并生成专业的中文分析报告。
核心特性
- 智能任务解析: LLM理解自然语言描述的计量经济学任务
- 动态知识检索: 实时查询Bruce Hansen计量经济学教材RAG数据库
- 工具链集成: 根据需要调用Python和Stata技能
- 自适应工作流: 根据任务复杂度和数据情况动态调整分析流程
- 专业报告生成: 结合计量理论、统计结果和经济解释生成中文报告
工作模式
本skill不是固定的脚本，而是一个智能代理框架：
- LLM作为协调者: Claude（我）解析任务、制定计划、协调工具调用
- 动态工具调用: 根据任务需要调用Python数据处理和Stata回归分析
- 实时知识参考: 每次分析都查询最新的RAG知识库
- 交互式调整: 可以在分析过程中与用户交互确认模型选择等关键决策
处理流程
当用户输入以"autoregmonkey："开头时，Claude会执行以下流程：
阶段1: 任务理解与规划
- 提取任务描述: 识别"autoregmonkey："后的计量经济学问题
- 初步解析: 识别关键变量、数据类型、分析方法、潜在问题
- 查询RAG知识库: 检索相关计量经济学理论和方法
- 制定分析计划: 基于RAG知识和任务特点设计分析方案
阶段2: 数据准备
- 检查数据文件: 查看
data/目录下的可用数据
- 数据处理决策:
- 如果有合适数据：调用Python技能进行清洗和预处理
- 如果数据不足：调用Python技能生成符合经济学逻辑的模拟数据
- 变量调整: 根据任务需求创建或转换变量
阶段3: 模型设定与估计
- 模型选择: 基于RAG知识和任务特点选择合适模型
- Stata分析: 调用Stata技能执行回归分析
- 模型诊断: 进行异方差、多重共线性等检验
- 模型调整: 根据诊断结果优化模型设定
阶段4: 结果解释与报告
- 结果解析: 解读Stata输出的统计结果
- 经济解释: 结合计量经济学理论解释实证结果
- 报告生成: 生成结构化的中文分析报告
- 结果保存: 将报告和关键结果保存到
result/目录
文件组织
- 原始数据:
data/目录
- 临时工作文件:
workspace/目录（Python脚本、Stata do文件等）
- 最终结果:
result/目录（分析报告、回归结果、图表等）
使用示例
用户输入:
autoregmonkey：分析教育对工资的影响，考虑内生性问题和异方差
Claude响应流程:
- 识别任务：教育对工资的影响分析
- 查询RAG：获取工具变量法、异方差稳健标准误等知识
- 调用Python：检查
data/目录，处理或生成数据
- 调用Stata：执行2SLS回归，使用稳健标准误
- 生成报告：包含模型设定、估计结果、内生性检验、经济解释
用户输入:
autoregmonkey：研究GDP增长与环境污染的库兹涅茨曲线关系
Claude响应流程:
- 识别任务：环境库兹涅茨曲线检验
- 查询RAG：获取多项式回归、面板门槛模型等知识
- 调用Python：处理环境经济数据或生成模拟数据
- 调用Stata：执行二次项回归或门槛回归
- 生成报告：包含倒U型检验、拐点估计、政策建议
关键优势
- 灵活性: 不是固定脚本，能够适应各种计量任务
- 智能性: LLM理解任务语义，选择合适的分析方法
- 知识驱动: 基于权威计量经济学教材的知识库
- 工具集成: 无缝集成Python数据处理和Stata计量分析
- 专业输出: 生成符合学术规范的中文报告
注意事项
- 数据优先: 优先使用
data/目录下的真实数据，仅当缺少数据时生成模拟数据
- 模型透明: 解释选择的计量模型及其假设条件
- 结果审慎: 结合统计显著性和经济意义解释结果
- 中文友好: 所有输出和报告均使用中文
