用途：面向 Python 计量经济学研究，围绕 linearmodels（Kevin Sheppard）提供面板数据估计、工具变量、系统回归与资产定价建模指导，并给出与 pyfixest、statsmodels 的分工边界。
主要能力：面板模型包括 PanelOLS（实体/时间效应，最多两向固定效应）、RandomEffects、BetweenOLS、FirstDifferenceOLS、PooledOLS、FamaMacBeth；工具变量包括 IV2SLS、IVLIML（k 类）、IVGMM、IVGMMCUE 与 AbsorbingLS；系统估计包括 SUR、IV3SLS、IVSystemGMM 及跨方程约束；资产定价包括 LinearFactorModel、LinearFactorModelGMM、TradedFactorModel。推断方面支持聚类（实体、时间、双向）、Driscoll-Kraay 与 HAC 核（Bartlett、Parzen、Quadratic Spectral）及 GMM 权重矩阵。提供基于公式和基于数组两套 API。
使用方式：面板数据须设置 (实体, 时间) 的 MultiIndex，如 df = df.set_index(["entity_id", "year"])；可用公式接口，如 PanelOLS.from_formula("y ~ x1 + x2 + EntityEffects", data=df).fit()、IV2SLS.from_formula("y ~ 1 + exog + [endog ~ inst]", data=df).fit()；聚类标准误用 mod.fit(cov_type="clustered", cluster_entity=True)；模型比较用 compare({"FE": fe_res, "RE": re_res})。研究流程中建议以脚本文件方式执行以保证可复现性。
适用场景：随机效应、组间或一阶差分面板模型、SUR/3SLS 系统估计、LIML/GMM 工具变量、Fama-MacBeth 回归与 Driscoll-Kraay 标准误等。
限制：面板固定效应最多两向；无面板 IV 与 DiD，需改用 pyfixest；复杂抽样调查推断应使用 svy；linearmodels 的权重不等于基于设计的调查推断。具体安装与命令细节见该技能参考文件。