用途:当实证或分析方法成为《Marketing Science》稿件瓶颈时使用,例如需要在结构、解析或简约式/因果机器学习方法之间做选择,模型已写出但尚不可估计,识别仅停留在“我们使用工具变量”的笼统表述,或审稿人指出设计无法识别结构参数。
主要能力:按研究主张匹配方法范式——量化需求并模拟政策可用结构需求模型(BLP/混合logit)、供给一阶条件与反事实;前瞻性行为、采纳与流失可用动态离散选择或动态博弈;策略互动与比较静态可用博弈论解析模型;竞价与赞助搜索可用拍卖/结构IO模型;异质性处理效应可用受理论约束的因果机器学习;来自现场变异的因果效应可用田野实验或准实验。
使用方式:让模型可估计、可识别,需说明估计量与模型匹配(GMM、MLE/SMLE、模拟矩估计、分层贝叶斯MCMC)、具体工具变量或识别变异并论证外生性、归一化与函数形式(区分实质性假设与便利性假设)、计算细节(求解器、均衡/内循环不动点、初值、多重均衡或局部最优处理)。解析论文需明确均衡概念、求解并证明结论。执行桥接部分给出StatsPAI/Stata MCP链路:detect_design → recommend → fit with as_handle=true → audit_result;面板/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mccrary_test;实验用基于随机化的推断与romano_wolf做多重结果校正。
适用场景与限制:该链路服务于简约式/田野实验方向,结构需求与解析建模不在其因果推断工具链内。需避免无矩条件或工具变量的“结构估计”、把简约式回归当作全部贡献、忽视多重均衡或优化收敛、把便利性假设当作无害假设。输出格式包含范式、模型到估计量、识别、归一化与假设、计算、下一步(mksc-data-analysis)。