用途：面向应用经济学与定量社会科学的因果推断参考，帮助选择识别策略、实现估计、诊断与稳健性检验。适用：选择因果问题的识别策略；实现IV/2SLS、DiD、RDD、合成控制或匹配；排查弱工具变量、平行趋势违背、带宽敏感等设定问题；运行稳健性与证伪检验；处理交错处理时点的现代DiD。不适用：结构估计、纯预测/机器学习、仿真设计。
主要能力：以潜在结果（Rubin）与DAG（Pearl）两个框架为基础，强调目标参数（ATE、ATT、LATE、ATT(g,t)）的精确界定。方法速览：IV/2SLS（排除性限制、单调性，估计LATE，常用linearmodels、fixest、ivregress）；DiD（平行趋势，估计ATT，常用fixest、reghdfe、linearmodels）；RDD（无操纵、局部连续性，估计断点处LATE，常用rdrobust）；合成控制（权重复现处理前趋势，单处理单元ATT，常用Synth/augsynth）；匹配/AIPW（可观测选择，ATE或ATT，常用econml、MatchIt/WeightIt）。
使用方式：按方法章节直接查阅；完整代码见references/method-implementations.md、staggered-did.md、synthetic-control.md。IV示例：from linearmodels.iv import IV2SLS；result = IV2SLS.from_formula('lwage ~ 1 + exper + expersq + [educ ~ nearc4 + nearc2]', data=df).fit(cov_type='robust')。DiD示例：smf.ols('y ~ treated + post + treated:post', data=df).fit(cov_type='cluster', cov_kwds={'groups': df['state']})。RDD示例：rdrobust(y=df['outcome'], x=df['running_var'], c=0)。AIPW示例：LinearDRLearner(model_regression=GradientBoostingRegressor(), model_propensity=GradientBoostingClassifier())。
诊断要点：IV需一阶段F>10、排除性限制论证、单调性、简约式显著、过度识别检验；DiD需事件研究无显著处理前系数、平行趋势敏感性、交错时点用C-SA或S-A而非朴素TWFE、按处理分配层级聚类；RDD需密度检验、协变量平衡、带宽敏感性、局部线性、安慰剂断点；匹配需标准化均值差<0.1、共同支撑、Rosenbaum界、不使用处理后协变量。
限制：排除性限制不可检验；平行趋势不显著不等于成立；IV估计LATE而非ATE，DiD估计ATT而非ATE；极端倾向得分需修剪或改用AIPW；少聚类（<30-40）需wild cluster bootstrap。与econometric-reviewer、identification-critic、/estimate等集成使用。具体收费、平台与效果资料暂未提供。