用途：当RFS稿件的识别策略成为瓶颈时使用，例如OLS加控制变量无法回应内生性、DID使用双向固定效应未处理交错采纳偏误、IV第一阶段偏弱或排他性受限、横截面资产定价结论依赖可能由数据挖掘得到的因子。RFS对因果推断的要求与JF、JFE一致，需要可信的外生变异来源，而非更多控制变量；RFS对全新问题与结构式/理论识别相对更开放，但新颖性不能替代干净设计。RFS特色在于可走注册报告（Stage 1设计评审）路径，需预先明确样本、处理定义、估计量、诊断与将产出的表格。
主要能力：按设计优先级给出自然实验/政策冲击+DID、断点回归、工具变量、干净窗口事件研究、匹配+PSM（通常仅作补充）、结构估计；并分支出DID（Goodman-Bacon分解、Callaway–Sant'Anna、Sun–Abraham、de Chaisemartin–D'Haultfœuille、平行趋势事件图、安慰剂、连续处理）、IV（弱工具稳健推断、三层面排他性论证、约简式、工具自身内生性）、RDD（密度检验、最优带宽与稳健性、协变量平滑）、资产定价识别（因子构造预注册、Fama–MacBeth或适当聚类标准误、多重检验、样本外与子样本稳定性）、结构式（识别假设与矩条件、反事实分解、非目标矩拟合）。
使用方式：先detect_design，再recommend，用as_handle=true拟合，最后audit_result。交错DID可用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；实验用随机化推断与romano_wolf；观察性结论用oster_delta或sensemakr做敏感性分析。输出格式为策略、变异来源一句话、已完成诊断、缺失诊断、标准误结构、下一步。
适用场景与限制：适用于公司金融、家庭金融与实证金融稿件。需注意避免交错处理下未讨论异质性效应偏误的TWFE、以控制变量充因果、工具为外生事件乘滞后内生变量、新收益预测因子不回应多重检验、重叠或自相关收益上用朴素标准误。具体收费、平台要求与完整执行细节暂未提供。