18_AI赋能的框架与路径

AI 赋能下的实证研究全流程

AI 技术正在深刻改变实证经济学研究的方式。本文梳理从学习到研究全流程中 AI 的应用场景。

一、AI 在实证研究中的五大应用场景

1. 理论学习阶段：从直觉理解到数理推导

AI 可以作为"私人导师"，帮助理解复杂概念：

• 解释计量方法的直觉含义
• 逐步推导演示公式推导过程
• 通过类比帮助理解抽象概念
• 回答学习过程中的疑问

2. 文献阅读阶段：快速概览与深度理解

• 快速概览：总结论文核心贡献、方法、结论
• 重点精读：深入理解关键段落和公式
• 代码理解：解释复现代码的逻辑
• 论证梳理：梳理论文的论证链条

3. 实证设计与代码撰写

• 讨论实证设计思路
• 辅助变量选取逻辑
• 识别潜在的内生性问题
• 生成和调试代码

4. 异常结果处理

• 检验不通过的原因分析
• 变量不显著的诊断
• 符号异常的解释
• 代码报错的排查

5. 结果解读与审稿应对

• 结果的规范化解读
• 审稿意见的回复建议
• 政策建议的形成

二、经典案例：AI 辅助代码调试

问题

运行 DID 回归时 Stata 报错变量共线：

reghdfe pollution did ln_asset firm_age leverage rd_intensity, ///
    absorb(firm_id province_id#year industry_id#year) vce(cluster firm_id)

报错：

note: did is probably collinear with the fixed effects
note: firm_age is probably collinear with the fixed effects

AI 诊断

• did 变量可能被 province_id#year 吸收（处理变量在同一省份同一年份无变化）
• firm_age 在控制 firm_id 固定效应后不再有变化（年龄是时间的线性函数）

解决方案

• 检查处理变量的设定是否正确
• 移除与固定效应共线的控制变量
• 调整固定效应的维度

三、AI 使用的重要原则

原则 1：保护深度思考能力

将 AI 当教练、当专家，让它带你走，而非"代你走"

• 任何准备让 AI 做的，先自己尝试做一下
• 让 AI 给建议、给启发，而非直接给答案
• 保持批判性思维，不盲目相信 AI 输出

原则 2：迭代思维

• 提示词可以先让 AI 生成，再逐步细化
• 通过多轮对话深化理解
• 将复杂问题拆解为多个子问题

核心要点

1. AI 可以覆盖实证研究的全流程，从学习到发表
2. 代码调试和文献阅读是 AI 最擅长的应用场景
3. 使用 AI 时应保护独立思考能力，避免过度依赖
4. 迭代式对话比一次性长提示词更有效