用途：从不完全随机化的数据中估计因果效应，核心不是估计量本身，而是估计所依赖的识别假设——先陈述假设，再估计，然后尝试推翻它。适用于双重差分/事件研究、工具变量/2SLS、断点回归、面板固定效应、异质性处理效应（CATE）、基于可观测变量的选择等场景。若研究设计本身尚未确定，应先交由 alterlab-ssci-design-gate 处理；纯描述性统计、SEM/潜变量模型、最终结论审计不属于本技能范围。
主要能力：给出设计到估计量的映射，并列明对应的识别假设与已验证库调用，包括 pyfixest（DiD/事件研究，平行趋势假设）、linearmodels（面板固定效应；IV2SLS 工具变量，需检验第一阶段 F 值弱工具问题）、rdrobust（断点回归，需密度/McCrary 检验操纵）、DoWhy（可观测变量选择，后门倾向得分匹配）、EconML（LinearDML/CausalForestDML 估计异质性效应）。附带脚本 scripts/estimator_router.py 按设计路由到估计量、假设与调用，references/estimators.md 提供完整示例与诊断。
使用方式：每个估计前后各有强制步骤。估计前，用一句话写出识别假设及辩护方式（DiD 的前趋势图、IV 的第一阶段 F 值与排除性论证、RDD 的密度检验、PSM 的重叠/共同支撑）。估计后，运行反驳或稳健性检验，如 DoWhy.refute_estimate（随机共同原因、安慰剂处理、数据子集）、前趋势/事件研究图、RDD 带宽敏感性、未测混杂的 E 值或敏感性分析，并与估计结果一并报告。输出模板包含设计+假设、估计量、估计值（点估计、95% 置信区间、聚类标准误）、诊断、反驳、结论范围。
限制：结果仅在假设与诊断成立时才能作因果解读，否则仅为关联；不得在无诊断和至少一项反驳检验的情况下报告因果估计；不得臆造命令行参数，若当前安装版本未验证该参数，应查阅 --help 或文档。具体收费方式、平台支持情况资料未提供。