技能 数据科学 研究设计与因果推断审计

研究设计与因果推断审计

v20260724
cpa-identification
本工具旨在指导研究人员为公共管理学论文构建和审计严谨的研究设计。它帮助用户根据研究问题的性质(如效应估计、机制探究、条件识别等)选择最合适的定量、定性或规范方法,并提供从准实验、案例研究到混合方法的完整检验清单,确保方法论严谨性。
获取技能
326 次下载
概览

研究设计与因果推断(cpa-identification)

触发时机

  • 不确定该用定量、定性还是规范分析
  • 做了问卷但只跑了描述统计 + 主观判断
  • 案例研究只是"讲故事",没有清晰的设计逻辑与证据链
  • 想用准实验(DID / IV / 断点)但不确定问题是否适配

第一原则:方法服务于问题

先看研究问题的性质,再选方法。 把流行的因果识别方法硬套到本质是规范或描述性的问题上,是《中国行政管理》审稿人最反感的"方法错配"。

研究问题性质 适配设计
"X 是否 / 多大程度上影响 Y"(效应估计) 定量:准实验 / 回归 / 多层模型
"X 如何 / 通过什么过程导致 Y"(机制 / 过程) 定性:案例 / 过程追踪;或定量中介
"为什么 A 地成功 B 地失败"(条件 / 组合) 比较案例 / QCA
"某制度应当如何设计 / 其规范基础是什么" 规范 / 理论分析
"效应 + 过程都要" 混合方法(嵌入式 / 解释性序列)

分支路径

分支 A:定量——准实验因果推断

适用于政策评估类问题(某项改革 / 政策冲击的效应)。

  • DID:是否交叠处理?→ 必须用 Goodman-Bacon 分解 + Callaway-Sant'Anna 或 Sun-Abraham,回应近年异质性处理偏误批评;平行趋势事件研究图必画;安慰剂检验
  • IV:第一阶段 F 须足够强(弱工具 → weak-IV-robust CI);排他性论证至少 3 段(理论 / 制度 / 安慰剂)
  • 断点(RDD):利用清晰的行政门槛(人口规模、财政线、评级线);McCrary 密度检验 + 带宽稳健性
  • 标准误聚类层次合理(地区 / 政策实施层级)

分支 B:定量——调查与多层数据

适用于态度 / 感知 / 行为类问题(政府信任、满意度、参与)。

  • 抽样框与代表性说明清楚;回收率与无应答偏差
  • 测量效度(信度 α、CFA / 收敛—区分效度)与共同方法偏差检验(如 Harman 单因子、标记变量法)
  • "个体—组织—地区"嵌套 → 用多层模型(HLM),不要忽视层次结构
  • 内生性 / 反向因果的讨论与缓解(工具、面板、滞后)

分支 C:定性——案例与比较案例

  • 案例选择有明确逻辑:典型 / 极端 / 关键 / 最相似—最不同;说明为什么是这个(些)案例
  • 资料多源三角验证:文件 + 访谈 + 观察 + 档案,建立证据链(chain of evidence)
  • 比较案例:明确比较维度与控制条件
  • 提升外部效度的论证:分析性概括(而非统计概括)

分支 D:定性——过程追踪与扎根理论

  • 过程追踪:用因果机制的观察含义设检验(箍式检验、冒烟枪检验),评估证据强度,排除竞争性解释
  • 扎根理论:开放—主轴—选择三级编码;理论饱和判断;编码簿与编码者间一致性(如适用)
  • 时间线清晰,关键节点可追溯到资料

分支 E:规范 / 理论分析

  • 概念界定清晰,论证逻辑严密(不是观点罗列)
  • 与既有理论对话,明确推进点
  • 规范主张有价值前提与论证链,不滑向纯政策建议

分支 F:混合方法

  • 说明设计类型:解释性序列(先定量后定性解释)/ 探索性序列(先定性建模后定量检验)/ 嵌入式
  • 定量与定性的整合点在哪里(联合展示 / 三角验证矩阵)
  • 不是"定量一段 + 定性一段"拼贴,而是相互回答

执行桥(StatsPAI / Stata MCP)

把设计跑出来并审计,而不是只做描述。完整映射见 execution-with-mcp。《中国行政管理》是公共管理刊,实证用观察性与(准)实验设计;识别 + 聚类/多层推断,定性工作另循其标准。

  • detect_designrecommend → 用 as_handle=true 拟合 → audit_result 列出尚欠的检查。
  • **观察性因果:**交错 DID(callaway_santanna / sun_abraham + bacon_decomposition + honest_did_from_result);IV(effective_f_test + anderson_rubin_ci);RDD(rdrobust + mccrary_test)。
  • **实验:**随机化推断 + romano_wolf 做多结果族错误率控制。
  • 敏感性:oster_delta / sensemakr

正文报告经济量级,完整 battery 进附录;每个数字都能复现。端到端真跑示例见 JF 执行 walkthrough。若 StatsPAI/Stata 未连接,改用 resources/code/ 并标注未验证数字。

必查清单

  • 方法与研究问题匹配(不是赶方法时髦)
  • 定量:识别假设明确、关键检验(平行趋势 / 弱工具 / 测量效度 / 层次结构)已做
  • 定性:案例选择逻辑清晰、资料多源、证据链可追溯
  • 竞争性解释是否被讨论 / 排除
  • 内生性 / 选择性偏差 / 共同方法偏差(按设计类型)有处理
  • 信效度 / 资料可信度论证到位

反模式

  • 把因果识别方法硬套到本质是规范 / 描述的问题上
  • 问卷研究止步于描述统计 + 主观判断,无效度检验、无识别策略
  • 案例只是叙事,没有案例选择逻辑、没有证据链
  • TWFE + 交叠处理却不讨论异质性处理偏误
  • "我们认为该政策外生"但无任何证据
  • 忽视"个体—组织—地区"嵌套结构,直接 OLS

输出格式

【研究问题性质】效应 / 机制过程 / 条件组合 / 规范 / 混合
【选定设计】DID / IV / RDD / 调查多层 / 案例 / 过程追踪 / 扎根 / 规范 / QCA / 混合
【方法-问题匹配】匹配 / 错配(说明)
【已完成检验/论证】[...]
【缺失检验/论证】[...]
【竞争性解释】已排除 / 待处理
【下一步】cpa-mechanism
信息
Category 数据科学
Name cpa-identification
版本 v20260724
大小 6.24KB
更新时间 2026-07-28
语言