用途：面向实证研究的因果推断代码技能，源自 Scott Cunningham 的 Causal Inference: The Mixtape 仓库，帮助用户实现 DiD 回归、因果推断流程、事件研究等任务。
主要能力：覆盖10种识别策略，并提供 Python、R、Stata 三种语言的代码模板，包括 OLS/回归、双重差分（DiD）、事件研究（动态 DiD）、交错 DiD/TWFE、断点回归（RDD）、工具变量（IV）、合成控制、匹配/PSM/IPW、DAG/碰撞偏差、随机化推断。每种方法在 references/method-patterns.md 中有对应参考章节。
使用方式：先从上表识别方法，再从 references/method-patterns.md 加载模板，按用户数据调整变量名、固定效应与聚类，并补充稳健性检验（DiD 平行趋势、RDD 的 McCrary 检验、IV 第一阶段 F 值）。语言选择建议：ML 流程集成用 Python（statsmodels + linearmodels）；合成控制用 R（Synth）或 Stata（synth）；Bacon 分解用 R（bacondecomp）或 Stata；发表级表格用 Stata（outreg2/esttab）或 R（stargazer/modelsummary）；粗化精确匹配用 Stata（cem）或 R（MatchIt）；快速原型用 Python。
常见陷阱：交错处理下 TWFE 有偏，应使用 Bacon 分解或 Sun & Abraham / Callaway & Sant'Anna 估计量；Synth 包仅支持单一处理单位，多单位需增广合成控制或堆叠法；RDD 估计前应做 McCrary 检验；IV 需报告第一阶段 F 统计量，低于10提示弱工具变量；Python 缺少成熟 Synth 包，可用 rpy2 调用 R。
限制：资料未提供安装命令、收费与价格、平台支持范围及具体效果数据，暂未提供。