用途：为 SMJ 稿件处理绩效回归中的内生性、反向因果与选择偏差问题。触发场景包括：绩效回归尚未处理内生性；已选 DID、IV、匹配或选择模型但未做压力测试；需预判“如何证明因果而非选择”的审稿质疑；规划机制检验与稳健性检验组合。
主要能力：依据威胁—工具映射选择识别策略，如自选择用 IV、Heckman、PSM/CEM+DID、Rosenbaum bounds；反向因果用外生冲击+DID、滞后与 Granger 式检验、IV；不可观测时不变异质性用企业固定效应；遗漏环境混淆用行业—年份固定效应、地区固定效应、证伪检验；X 测量误差用 IV 与敏感性分析。分设计给出执行要点：DID 需展示平行趋势（事件研究图，非口头声明），交错处理需用 Goodman-Bacon 分解、Callaway–Sant'Anna 或 Sun–Abraham 估计量应对异质性处理效应，并做安慰剂检验；IV 需报告第一阶段 F、以文字论证排他性、报告简化式与过度识别检验；匹配需报告协变量平衡与共同支撑，并承认不可观测选择；Heckman 需说明有效排他性约束。还覆盖机制检验、经济量级解释（如 1 个标准差变化带来的绩效变化百分比）、稳健性清单（替换因变量、样本、估计量、聚类方式、前期绩效、生存偏差）、在分配层级聚类标准误，以及多重检验校正（romano_wolf、benjamini_hochberg）、OVB 敏感性（oster_delta、sensemakr）、少聚类与多层数据的推断工具。执行环节可结合 StatsPAI / Stata MCP，用 audit_result 列出缺失检查及建议函数，用 etable / did_summary_to_latex 生成表格。输出格式要求列出识别威胁、估计量、识别证据、证伪、机制、稳健性、残余威胁、经济量级与零结果报告。局限：本技能不提供数据、不保证发表，具体软件包与命令需按资源文件中的 Stata/R/Python 包执行；未提供价格、平台与使用步骤细节。