前言¶

計量經濟學研究通常不止一步：先要判斷研究問題適合哪種模型，再處理缺失值、離羣值和變量編碼，隨後選擇控制變量、估計模型、做穩健性檢驗，最後整理描述統計和迴歸表。若這些步驟分散在手工腳本、代碼片段和報告模板中，智能體很難形成連續工作流。

dsh-econ-tools 是一個 DSH 插件，由 Chaos-Hyper 維護，採用 MIT 許可證。它的定位是“計量經濟學研究助手”，提供模型設計、數據清洗、變量選擇、實證分析、穩健性分析等全流程計量經濟學研究工具。安裝後，Agent 可以根據研究需求自動調用相應能力。

這是什麼¶

一句話定位：dsh-econ-tools 將計量經濟學研究中的常見步驟打包爲 DSH 插件能力，覆蓋方法指導、數據準備、模型設定與變量選擇、實證分析、穩健性檢驗和結果報告。

它適合以下場景：

• 使用 DSH web profile 的開發者
• 需要讓 Agent 參與計量模型選擇、代碼模板生成和結果表格整理的研究者
• 希望把“從研究問題到結果報告”串起來的團隊

需要注意，DSH 插件生態中的社區目錄是獨立站點，與 DeepSeek / 幻方無官方從屬關係；不要把該插件理解爲官方應用商店中的官方組件。

核心功能¶

方法指導¶

根據研究問題和數據類型推薦適當的計量模型。這一步通常發生在研究設計階段，用來判斷當前數據結構和因果問題適合使用哪些估計方法。

數據準備¶

支持缺失值處理、離羣值檢測、變量轉換、分類編碼，並提供 Python 代碼片段。

模型設定與變量選擇¶

支持理論驅動、數據驅動、混合策略，以及基於機器學習的 LASSO / Ridge / ElasticNet 方法。

實證分析¶

支持 OLS、IV/2SLS、Logit、Probit、面板固定效應、DID、RDD，並自動生成 Python / R / Stata 代碼模板。

穩健性檢驗¶

覆蓋七個維度：遺漏變量、測量誤差、樣本選擇、模型設定、離羣值、平行趨勢、安慰劑檢驗。

結果報告¶

生成描述統計表、基準迴歸表、穩健性檢驗摘要，支持 Markdown、LaTeX、HTML，並支持中英文輸出。

安裝與啓用¶

安裝前先確認當前 DSH 環境滿足該插件聲明的依賴範圍：

{
  "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"
}

然後使用官方安裝命令，將插件添加到 DSH 的 web profile：

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

除 GitHub 安裝外，也支持本地路徑安裝，或手動編輯 web profile dependencies。若按本地路徑方式安裝，或手動添加依賴後，需要按項目說明完成依賴安裝，並重啓 DSH 使插件生效。

典型用法¶

Agent 會根據研究需求自動調用工具。以下兩個示例來自項目說明。

示例一：用橫截面數據研究教育對收入影響。

研究問題：用橫截面數據研究教育對收入的影響，應該使用什麼模型？

Agent 會調用 econ_method_guide，根據研究問題和數據類型推薦 OLS、IV 等方法。

示例二：檢查潛在遺漏變量偏差。

研究問題：請檢查覈心結果是否存在潛在遺漏變量偏差。

Agent 會調用 econ_robustness，並給出 Oster 穩定性測試等方案。

適用場景與注意¶

適合誰：

• 需要在 DSH 中接入計量經濟學研究流程的開發者
• 需要自動生成方法建議、代碼模板和結果報告的研究者
• 希望把模型選擇、數據準備、實證估計、穩健性檢驗串起來的團隊

注意事項：

• 插件以當前 dsh 進程權限運行。安裝前應檢查源碼、依賴和許可證。
• 許可證爲 MIT。
• 需要滿足 react ^18.2.0 和 @deepseek-ai/dsh-tools 的對應版本範圍。
• 安裝後需要重啓 DSH 生效。
• 插件輸出的模型建議、代碼模板和報告仍應結合具體研究問題、數據約束和軟件環境進行人工複覈。

結尾¶

dsh-econ-tools 的價值在於把計量經濟學研究中的常見步驟納入 DSH 插件能力，減少在模型選擇、數據準備、估計、穩健性檢驗和結果報告之間反覆切換的成本。

項目地址：

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