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

1. 智能任务解析: LLM理解自然语言描述的计量经济学任务
2. 动态知识检索: 实时查询Bruce Hansen计量经济学教材RAG数据库
3. 工具链集成: 根据需要调用Python和Stata技能
4. 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
5. 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

1. 提取任务描述: 识别"autoregmonkey："后的计量经济学问题
2. 初步解析: 识别关键变量、数据类型、分析方法、潜在问题
3. 查询RAG知识库: 检索相关计量经济学理论和方法
4. 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

1. 检查数据文件: 查看data/目录下的可用数据
2. 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

1. 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

1. 模型选择: 基于RAG知识和任务特点选择合适模型
2. Stata分析: 调用Stata技能执行回归分析
3. 模型诊断: 进行异方差、多重共线性等检验
4. 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

1. 结果解析: 解读Stata输出的统计结果
2. 经济解释: 结合计量经济学理论解释实证结果
3. 报告生成: 生成结构化的中文分析报告
4. 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:

1. 识别任务：教育对工资的影响分析
2. 查询RAG：获取工具变量法、异方差稳健标准误等知识
3. 调用Python：检查data/目录，处理或生成数据
4. 调用Stata：执行2SLS回归，使用稳健标准误
5. 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:

1. 识别任务：环境库兹涅茨曲线检验
2. 查询RAG：获取多项式回归、面板门槛模型等知识
3. 调用Python：处理环境经济数据或生成模拟数据
4. 调用Stata：执行二次项回归或门槛回归
5. 生成报告：包含倒U型检验、拐点估计、政策建议

关键优势

1. 灵活性: 不是固定脚本，能够适应各种计量任务
2. 智能性: LLM理解任务语义，选择合适的分析方法
3. 知识驱动: 基于权威计量经济学教材的知识库
4. 工具集成: 无缝集成Python数据处理和Stata计量分析
5. 专业输出: 生成符合学术规范的中文报告

注意事项

1. 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
2. 模型透明: 解释选择的计量模型及其假设条件
3. 结果审慎: 结合统计显著性和经济意义解释结果
4. 中文友好: 所有输出和报告均使用中文