用途：帮助经济学研究者在 Python 中估计面板数据模型，使用 pandas、statsmodels 与 linearmodels，正确处理固定效应、聚类与诊断。
适用场景：估计固定效应或随机效应模型；在面板数据上做双重差分（DiD）；在 Python 中生成回归表格与图。
使用方式：先向用户确认观测单位与面板标识、结果变量与回归变量、所需固定效应或时间效应、标准误聚类层级；随后生成代码：用 pandas 加载与清洗数据，设定 MultiIndex 构建面板结构，用 linearmodels.PanelOLS 或 RandomEffects 拟合模型，输出可读表格并可选导出 LaTeX；最后解释关键系数、说明假设（严格外生性、平行趋势等），并建议稳健性检验（替代聚类、安慰剂检验）。
示例命令：pip install pandas linearmodels statsmodels；示例代码用 df.set_index(["firm_id","year"]) 设定面板索引，用 PanelOLS.from_formula("outcome ~ 1 + treat_post + EntityEffects + TimeEffects", data=df)，再 model.fit(cov_type="clustered", cluster_entity=True)。
要求：Python 3.10+，依赖 pandas、linearmodels、statsmodels。
限制与常见问题：需先核实面板标识及平衡/非平衡面板；聚类层级要恰当；估计前检查缺失数据；常见错误包括未正确设定面板索引、在需要固定效应时误用混合 OLS、忽略固定效应而误读系数。参考资料包括 linearmodels 与 statsmodels 文档、Wooldridge（2010）。版本更新记录为 v1.0.0 初始发布；收费、价格、平台与效果等信息暂未提供。