StatsPAI 是智能体原生的因果推断工具包，以 import statspai as sp 方式使用，内置超过 1500 个注册函数，覆盖因果推断与应用计量经济学，数值上与 Stata / R 参考实现对齐。结果对象带有自描述模式和导出功能，可输出 LaTeX / Word / Excel / BibTeX。该技能通过应用实证论文的标准流程驱动 StatsPAI，支持三种模式：默认应用经济学、流行病学和 ML-因果，并在每一步留下论文可用的产物。
主要能力与使用方式：使用前需按需安装扩展。默认管线安装 pip install "statspai[fixest,plotting]"；若使用 Dragonnet / TARNet / CEVAE 需添加 neural，文本即处理需添加 text。裸安装无法运行 sp.feols（任意 y ~ x | fe 回归）或生成图表。每次请求先路由模式，默认应用经济学，也可选流行病学（Mode A）、ML-因果（Mode B）或仅导出路径。不要为“制作表 1”或“导出这个回归”运行完整管线；单个估计、检查或表格走快速路径。估计前需冻结契约：y、处理/暴露、单元/时间 id、估计目标、设计、所需产物、安装扩展。只有当列名明显时才推断缺失字段，否则返回简短阻塞清单。估计器选择应基于表格而非记忆，例如 sp.route('did', design='staggered', timing_random='no', covariates='none')，或 sp.decision_guide(family)、sp.recommend(df, ...)。从不熟悉的调用开始，先查 sp.describe_function(name) / sp.function_schema(name)。一次只扩展一个块：数据契约 → 计划 → 诊断图 → 主估计 → 稳健性/导出。每个块后读取结果的 violations()、next_steps()、degradations 和 model_info。最终消息需列出生成的文件、识别假设、估计器类别以及失败或跳过的门。遇到 StatsPAIError 时，利用其 code、recovery_hint、diagnostics 和 alternative_functions 做最小修正。
管线映射（默认模式）：预分析计划（步骤 -1，sp.power + 冻结 IdentificationPlan）；§1 数据契约 + 样本构建日志；§1.1 表 1（sp.sumstats 等）；§2 实证策略（方程 + 假设 + sp.causal_question(...).identify()）；§2.5 LLM-DAG 补充；§3 识别图形（事件研究、第一阶段 F、McCrary、love plot）；§4 主结果（渐进控制 + FE，sp.regtable / sp.causal）；§5 异质性（sp.subgroup_analysis 等）；§6 机制（sp.mediation / sp.decompose）；§7 稳健性（安慰剂、Oster、honest_did、E-value、Conley、spec_curve）；§8 复现包（sp.collect / sp.paper_tables）。
硬性规则：先明确估计目标；y ~ x | fe 必须走 sp.feols（pyfixest），sp.regress 仅 OLS 且不解析 |，sp.ivreg 也不接受 | fe。交错 DID 不得使用静态 TWFE 系数，应使用 sp.callaway_santanna（+ sp.aggte）或 sp.sun_abraham；通过预趋势检验不等于平行趋势证据，需报告 sp.honest_did 和 sp.pretrends_power。事件研究路径需同时置信带（sp.uniform_bands 叠加在 sp.event_study_vcov 上）。一个或少数处理单元时，聚类稳健 SE 会过度拒绝，应使用 sp.did_few_treated 或 sp.wild_cluster_bootstrap。处理反馈到后续状态时用 sp.dynamic_dml，而非 sp.dml / sp.dml_panel。面板森林需用 sp.rate_split 检验异质性。条件平行趋势下协变量不进入 TWFE / 3WFE 回归，应用 sp.drdid、sp.callaway_santanna(..., x=[...], estimator='dr') 或 sp.ddd(..., method='dr')。IV 先报告第一阶段/有效 F（sp.iv_diag），低于 10 时用 sp.anderson_rubin_ci。RD 先 sp.rddensity、sp.rdplotdensity 和 sp.rdplot。匹配/加权先检查平衡（sp.love_plot、sp.ps_balance）并说明估计目标。导出统一从同一 RegtableResult / Collection 生成三种格式，不手写 LaTeX。引用仅来自 result.cite() / sp.bibtex(keys=[...])。绘图返回 (fig, ax)，解包后 fig.savefig(...)。
适用场景：应用经济学实证论文、流行病学因果分析、ML-因果研究，以及需要可复现的 DID/RD/IV/合成控制/DML 等估计和导出表格图表的场合。限制：裸安装功能受限；技能副本不随 pip 更新；部分代码块标记 no-run 需额外依赖；验证通过 statspai skill validate 或 python validate_api_claims.py，--run 可端到端执行快速路径、骨架、三条管线和导出配方（数分钟）。更多细节见 references 下的快速路径、操作循环、管线、导出、方法目录等文件。