用途：当研究设计与方法成为 AMJ 投稿瓶颈时使用，例如设计无法匹配理论的层次、时点或因果主张，数据为单来源、单波次、自评（存在共同方法偏差风险），理论是因果性的但设计为横截面/相关，构念缺乏已验证量表，或审稿人指出“该设计无法检验此假设”“内生性未处理”。
主要能力：帮助把设计与研究问题匹配。AMJ 接受定性与定量、田野与实验室、元分析与混合方法，标准是契合度与严谨性。资料给出对应关系：可操纵原因的因果效应用实验或自然实验；随时间展开的过程用多波次面板或纵向/滞后设计；档案数据的企业/战略结果用带固定效应与内生性策略的面板；跨层机制用多层/嵌套数据；新颖或有争议的现象用定性或多方法（常配研究二）。双研究设计（田野研究保证外部效度＋实验验证因果机制）是常见做法。
设计要点：共同方法偏差应通过程序性设计（预测变量与结果变量来源分离、跨波次时间分离、尽量用客观/档案结果）处理，而非仅事后统计补救；档案数据的内生性需预先规划识别策略（工具变量、自然实验、面板固定效应、双重差分、Heckman/2SLS、倾向匹配）及其假设；测量使用已验证多题项量表，新量表先试测并规划验证性因子分析；说明各构念的测量层次及跨层聚合依据（ICC、r_wg、聚合理论）；论证抽样框、回收率与统计功效（交互效应需更大功效）。分析层次须在理论、测量与分析间保持一致，嵌套数据不可用 OLS。
执行衔接：实证/因果路径可用 StatsPAI / Stata MCP 估计与审计，流程为 detect_design → recommend → fit with as_handle=true → audit_result；面板/交错 DiD 用 callaway_santanna / sun_abraham 加 bacon_decomposition、honest_did_from_result；IV 用 effective_f_test 与 anderson_rubin_ci；RDD 用 rdrobust 与 mccrary_test；实验用基于随机化的推断与 romano_wolf 做多重结果族错误率校正。
输出格式：按【Design】【Hypothesis-design fit】【CMB plan】【Endogeneity strategy】【Measures】【Levels】【Power & sampling】【Next step】给出结论，下一步指向 amj-data-analysis。
限制：资料未提供该技能的安装命令、收费、平台支持与具体实现细节；上述工具链名称与调用方式均来自资料原文，未作扩展。