前言¶

计量经济学研究通常不止一步：先要判断研究问题适合哪种模型，再处理缺失值、离群值和变量编码，随后选择控制变量、估计模型、做稳健性检验，最后整理描述统计和回归表。若这些步骤分散在手工脚本、代码片段和报告模板中，智能体很难形成连续工作流。

dsh-econ-tools 是一个 DSH 插件，由 Chaos-Hyper 维护，采用 MIT 许可证。它的定位是“计量经济学研究助手”，提供模型设计、数据清洗、变量选择、实证分析、稳健性分析等全流程计量经济学研究工具。安装后，Agent 可以根据研究需求自动调用相应能力。

这是什么¶

一句话定位：dsh-econ-tools 将计量经济学研究中的常见步骤打包为 DSH 插件能力，覆盖方法指导、数据准备、模型设定与变量选择、实证分析、稳健性检验和结果报告。

它适合以下场景：

• 使用 DSH web profile 的开发者
• 需要让 Agent 参与计量模型选择、代码模板生成和结果表格整理的研究者
• 希望把“从研究问题到结果报告”串起来的团队

需要注意，DSH 插件生态中的社区目录是独立站点，与 DeepSeek / 幻方无官方从属关系；不要把该插件理解为官方应用商店中的官方组件。

核心功能¶

方法指导¶

根据研究问题和数据类型推荐适当的计量模型。这一步通常发生在研究设计阶段，用来判断当前数据结构和因果问题适合使用哪些估计方法。

数据准备¶

支持缺失值处理、离群值检测、变量转换、分类编码，并提供 Python 代码片段。

模型设定与变量选择¶

支持理论驱动、数据驱动、混合策略，以及基于机器学习的 LASSO / Ridge / ElasticNet 方法。

实证分析¶

支持 OLS、IV/2SLS、Logit、Probit、面板固定效应、DID、RDD，并自动生成 Python / R / Stata 代码模板。

稳健性检验¶

覆盖七个维度：遗漏变量、测量误差、样本选择、模型设定、离群值、平行趋势、安慰剂检验。

结果报告¶

生成描述统计表、基准回归表、稳健性检验摘要，支持 Markdown、LaTeX、HTML，并支持中英文输出。

安装与启用¶

安装前先确认当前 DSH 环境满足该插件声明的依赖范围：

{
  "react": "^18.2.0",
  "@deepseek-ai/dsh-tools": ">=0.0.1-rc.1 <0.1.0 || >=0.1.0-rc.1 <0.2.0-0"
}

然后使用官方安装命令，将插件添加到 DSH 的 web profile：

dsh plugin --profile web add github:Chaos-Hyper/dsh-econ-tools

除 GitHub 安装外，也支持本地路径安装，或手动编辑 web profile dependencies。若按本地路径方式安装，或手动添加依赖后，需要按项目说明完成依赖安装，并重启 DSH 使插件生效。

典型用法¶

Agent 会根据研究需求自动调用工具。以下两个示例来自项目说明。

示例一：用横截面数据研究教育对收入影响。

研究问题：用横截面数据研究教育对收入的影响，应该使用什么模型？

Agent 会调用 econ_method_guide，根据研究问题和数据类型推荐 OLS、IV 等方法。

示例二：检查潜在遗漏变量偏差。

研究问题：请检查核心结果是否存在潜在遗漏变量偏差。

Agent 会调用 econ_robustness，并给出 Oster 稳定性测试等方案。

适用场景与注意¶

适合谁：

• 需要在 DSH 中接入计量经济学研究流程的开发者
• 需要自动生成方法建议、代码模板和结果报告的研究者
• 希望把模型选择、数据准备、实证估计、稳健性检验串起来的团队

注意事项：

• 插件以当前 dsh 进程权限运行。安装前应检查源码、依赖和许可证。
• 许可证为 MIT。
• 需要满足 react ^18.2.0 和 @deepseek-ai/dsh-tools 的对应版本范围。
• 安装后需要重启 DSH 生效。
• 插件输出的模型建议、代码模板和报告仍应结合具体研究问题、数据约束和软件环境进行人工复核。

结尾¶

dsh-econ-tools 的价值在于把计量经济学研究中的常见步骤纳入 DSH 插件能力，减少在模型选择、数据准备、估计、稳健性检验和结果报告之间反复切换的成本。

项目地址：

• GitHub：https://github.com/Chaos-Hyper/dsh-econ-tools