实证论文分析技能

技能说明

该技能使 Claude Code 能够依据结构化框架，深入分析实证研究论文：问题的提出 → 实证研究的核心难题 → 识别策略 → 重要发现 → 学术价值。

目标用户

法学与经济学领域的研究人员，尤其需经常阅读并分析采用定量方法（计量经济学、机器学习、自然语言处理等）撰写的法学与经济学实证论文。

输入要求

• 一篇实证研究论文的 PDF 文件
• 出版信息（作者、期刊、发表日期等）

分析框架

1. 问题的提出 (Problem Statement)

目标：识别核心研究问题及其动机。

分析要点：

• 主要研究问题是什么？/ 所研究的问题或现象是什么？
• 该问题为何重要？（政策相关性、理论空白、方法论创新、实践价值）
• 研究设计背后的经济学/法学直觉是什么？

2. 实证研究的核心难题 (Core Empirical Challenges)

目标：识别使因果推断困难的关键方法论障碍。

需重点关注的常见难题：

• 选择偏差（Selection bias）：可观测结果与不可观测结果之间的差异（例如：标签选择性问题）
• 遗漏变量偏差（Omitted variable bias）：不可观测的混杂因素（例如：法官的私人信息）
• 内生性（Endogeneity）：反向因果或同步性
• 测量误差（Measurement error）：如何量化抽象概念（例如：法律理念、司法态度）
• 外部有效性（External validity）：泛化能力方面的担忧
• 数据局限性（Data limitations）：反事实缺失、样本截断等

输出格式： 对每一项难题：

• 清晰陈述该问题
• 解释其对因果推断的影响机制
• 必要时使用示例或表格辅助说明

3. 识别策略与方法设计 (Identification Strategy & Research Design)

目标：阐明论文如何应对前述实证难题。

关键要素：

• 识别策略：自然实验（natural experiment）、工具变量法（IV）、断点回归（RD）、双重差分法（DID）、匹配法（matching）、机器学习与因果推断混合方法（ML+causal inference hybrid）
• 数据来源：数据集描述、样本筛选标准、时间跨度
• 实证设定：主回归模型、核心变量定义
• 稳健性检验：替代模型设定、安慰剂检验（placebo tests）、敏感性分析
• 方法论创新贡献：是否存在新颖技术？

批判性分析：

• 识别假设是否合理可信？
• 是否存在尚未排除的有效性威胁？
• 因果解释的说服力如何？

4. 重要发现与结论 (Key Findings & Conclusions)

目标：总结主要实证结果及其解释。

结构：

• 主要发现（含效应大小与统计显著性）
• 结果的稳健性
• 异质性效应（如存在）
• 经济学/法学层面的解释
• 政策含义

格式要求：

• 使用项目符号提升可读性
• 包含关键数值（效应量、显著性水平）
• 引用文中重要表格与图表编号（如 Table 3、Figure 2）

5. 学术价值 (Academic Contribution)

目标：评估论文更广泛的学术意义。

评价维度：

• 方法论创新：新的识别策略、测量技术
• 理论贡献：关于法律/司法行为、制度设计的新洞见
• 政策相关性：对法律改革、法官培训、算法应用等方面的启示
• 跨学科影响：在法学、经济学与计算机科学之间建立桥梁
• 未来研究方向：是否引出新问题或开辟新路径？

输出格式

请按以下模板生成结构化的 Markdown 文档：

# [论文标题]

**作者：** [作者列表]  
**期刊：** [期刊名称，年份]  
**DOI/链接：** [如有]

## 问题的提出

[依据上述框架展开分析]

## 实证研究的核心难题

### 难题一：[难题名称]  
[解释]

### 难题二：[难题名称]  
[解释]

## 识别策略与方法设计

### 数据来源  
[描述]

### 识别策略  
[核心识别方法]

### 方法设计  
[技术细节]

## 重要发现与结论

- **发现一：** [含效应大小的发现]  
- **发现二：** [含效应大小的发现]  
- **政策含义：** [政策启示]

## 学术价值

- **方法论贡献：** [创新点]  
- **理论贡献：** [理论洞见]  
- **政策相关性：** [实际意义]

特别说明

1. 学术语调：使用精准、严谨的学术语言，适配博士层级分析。默认读者熟悉计量经济学概念（DID、IV、RDD 等）及机器学习方法（GBDT、NLP、embeddings 等）。

2. 双语输出：主体语言为中文（如示例所示），但首次引入专业术语时，可在括号中附英文缩写（例如：双重差分法（DID））。

3. 数学严谨性：在描述模型或识别策略时，应主动使用数学符号。例如：

   • 回归设定：$Y_i = \beta_0 + \beta_1 \text{Treatment}_i + X_i'\gamma + \varepsilon_i$
   • DID 模型：$Y_{ijt} = \alpha + \beta(\text{Post}_t \times \text{Treat}_j) + \delta_j + \lambda_t + \varepsilon_{ijt}$

4. 批判性思维：不止于概括，更要分析。主动质疑假设前提，评估识别策略强度，考虑其他可能解释。

5. 图表引用：引用论文中表格或图表时：

   • 概念性说明其呈现内容
   • 突出其中最关键的结果
   • 无需在文本中复现完整表格

6. 范围控制：聚焦上述五个核心部分，不添加无关章节。

示例工作流

1. 通读全文，把握研究问题与背景脉络
2. 提取实证策略——重点关注识别策略部分（Identification Section）
3. 识别作者面临的核心难题
4. 追踪其方法论上如何逐一解决各难题
5. 整合研究发现，并给予恰当的经济学/法学解读
6. 结合既有文献，评估其学术贡献