用途：当识别论证成为 IER 稿件瓶颈时使用，例如结构模型参数估计后不清楚各参数由数据中什么特征识别、头条反事实结果依赖无人辩护的校准弹性、因果结论仅靠 OLS 加控制变量或交错处理下的 TWFE，或审稿人指出结果“实为校准”“识别不可信”。理论论文若需确认结果被哪个假设锁定，则属于 ier-theory-model 的范围。
主要能力：按三条分支组织识别论证。结构/定量分支要求把每个结构参数对应到具体数据矩或特征，报告目标矩拟合与未目标矩的样本外验证，给出敏感性矩阵（Andrews–Gentzkow–Shapiro）与蒙特卡洛参数恢复，说明估计目标函数、初值、容差与全局最优证据，并论证反事实所用参数的政策不变性。经验因果分支要求交错处理下使用 Callaway–Sant'Anna、Sun–Abraham、de Chaisemartin–D'Haultfœuille 等现代估计量，报告事件研究前置项与 Goodman-Bacon 分解；IV 需强第一阶段，弱工具时用 Anderson–Rubin 集合；RDD 需密度检验、最优带宽与协变量平滑性；聚类应在分配层级并处理少聚类问题。计量方法分支要求把点识别或部分识别的条件写成假设，点识别失败时刻画识别集。
使用方式：先选定分支并用一句话陈述数据到目标对象的映射，再按清单逐项补齐识别证据；可借助 StatsPAI/Stata MCP 执行链：detect_design → recommend → fit with as_handle=true → audit_result；交错 DiD 用 callaway_santanna / sun_abraham 加 bacon_decomposition 与 honest_did_from_result；IV 用 effective_f_test 与 anderson_rubin_ci；RDD 用 rdrobust 与 rddensity / mccrary_test；遗漏变量偏误用 oster_delta / sensemakr。若未连接相关工具，可改用随附 resources/code/ 骨架并标注未核实数字。
适用场景与限制：适用于 IER 投稿的结构、应用微观与计量方法论文的识别自查与审稿回应。限制在于该技能只处理识别问题，不负责理论紧致性（归 ier-theory-model），后续稳健性归 ier-robustness；具体收费、平台与效果资料暂未提供。