StatsPAI 是一个 validation-tiered Python 因果推断与应用计量经济学平台。一个 import，1,000+ 个注册函数，分布在 80+ 个子模块（实时数量请运行 python scripts/registry_stats.py），覆盖从经典计量经济学到 ML/AI 因果推断方法，再到论文级 Word、Excel、LaTeX 输出表格的实证研究流程。
面向 AI Agent 的接口层：注册函数暴露机器可读的 schema（list_functions()、describe_function()、function_schema()），并通过 validation_status 区分 certified / validated / api_stable / experimental。数值验证只在有明确证据工件的函数上声明，API 广度不等同于全部函数都完成 R/Stata 对齐。
它将 R 的 Causal Inference Task View（fixest、did、rdrobust、gsynth、DoubleML、MatchIt、CausalImpact、sfaR、lme4、oaxaca、ddecompose……）和 Stata 的核心计量命令（frontier、xtfrontier、mixed、meglm、mixlogit、ivqreg……），统一到一个一致的 Python API 中。
StatsPAI 聚焦因果推断。下表描述方法家族层面的 API 覆盖广度，不是每个函数的数值验证证书；具体证据请看 validation_status、测试工件和 docs/jss_source_audit_dossier.md。"Stata" = 官方 + 主要 SSC 包；"R" = CRAN；"sm+lm" = statsmodels + linearmodels。
| 方法家族 | Stata | R | sm+lm | DoubleML | StatsPAI |
|---|---|---|---|---|---|
| DiD — 多期异质性（CS / SA / BJS / dCdH / Gardner / Wooldridge ET）+ 事件研究 + honest CIs | P | Y | N | N | B |
| IV — 经典（2SLS/LIML/GMM）+ 现代（Kernel IV / Deep IV / KAN-DeepIV） | Y 仅经典 | Y 仅经典 | P 仅经典 | P | B |
| RD — CCT + 2D / 边界 + 多断点 + honest CIs + ML-CATE（18+ 估计器） | P | Y (rdrobust) |
N | N | B |
| 合成控制 — ADH / ASCM / gsynth / BSTS / Bayesian / PenSCM / FDID（20 种方法） | P | P (7 个包) | N | N | B |
| Double / Debiased ML | N | Y | N | Y | Y |
| Meta-Learners（S/T/X/R/DR）+ 因果森林 / GRF | N | Y | N | N | Y |
| TMLE / HAL-TMLE | N | Y | N | N | Y |
| 神经因果（TARNet / CFRNet / DragonNet） | N | N | N | N | B |
| 因果发现（NOTEARS / PC / LiNGAM / GES） | N | P | N | N | B |
| Proximal 因果推断（fortified / bidirectional / MTP / DNC） | N | P | N | N | B |
| QTE / 分布处理效应 / CiC / dist-IV | P | P | N | N | Y |
| Mendelian randomization（IVW/Egger/median/mode/PRESSO/MVMR/BMA） | N | Y | N | N | Y |
| Conformal 因果推断 | N | N | N | N | B |
| 贝叶斯因果森林（BCF / 有序 / 因子暴露） | N | P | N | N | Y |
| 空间计量（权重 → ESDA → ML/GMM → GWR/MGWR → 面板） | N | P (5 个包) | N | N | B |
图例：B = 本表范围内 API 覆盖较宽；Y = 有已实现入口；P = 部分、分散或单算法支持；N = 无一等入口。这些只是 API 广度标签，不是 validation tier。
StatsPAI 一句话概览：live agent registry 中有 1,022 个注册函数 · 81 个子模块 · 269k 行核心代码 + 97k 行测试。这四个数字都可以由唯一的生成器 (python scripts/registry_stats.py) 现场复算；docs/stats.md 中的按模块拆分表也由同一个脚本回写。23 个方法家族的 API 广度矩阵以及跨生态行数对比，详见 docs/stats.md。这些覆盖数字描述 API 广度，不等同于每个函数都有 R/Stata 数值验证；生产使用请查看 validation_status。
📦 v1.16.0（2026-05-29）— 正确性修复与跨语言对齐扩展
StatsPAI 1.16.0 修正了 sp.qreg Powell 三明治标准误（此前差一个 √n 因子），
并重写 sp.xtabond Arellano–Bond 差分 GMM 使其与 Stata 机器精度一致——
两者均标 xtabond 迁移检查），并刷新了 JSS
reviewer 相关文档。完整发布说明见 CHANGELOG.md
[1.16.0]。
📦 v1.15.4（2026-05-18）— 绘图自动 CJK 字体 fallback
import statspai as sp 现在会自动把检测到的 CJK 字体注册为
matplotlib fallback，因此常见 macOS / Windows / Linux 桌面环境里的
中文图标题、坐标轴和注释无需额外调用 sp.use_chinese() 即可正常渲染。
英文图仍保留用户原本的主字体；如需关闭，可在导入前设置
STATSPAI_NO_AUTO_CJK=1。完整发布说明见 CHANGELOG.md
[1.15.4]。
📦 v1.15.3（2026-05-17）— 文档 patch：修复 PyPI 主页 banner 图加载失败
v1.15.2 PyPI 项目主页的 hero banner 渲染成裂图，原因是两份 README
里的 <img> 写的是仓库相对路径 docs/logo/readme-1.png，GitHub 能解
析但 PyPI 的 long-description 渲染器没有 base URL 概念。v1.15.3 把
README.md 和 README_CN.md 的图片地
址改成 raw.githubusercontent.com 绝对 URL，PyPI / TestPyPI / 其他
脱离 GitHub 的 README 渲染器都能正常加载。代码零变化——
wheel/sdist 里所有模块文件与 v1.15.2 一致，只有 long-description
元数据重新生成。
📦 v1.15.2（2026-05-17）— MCP 严格 JSON + Replicate 双轨指南 + 发布打包加固
v1.15.1 之上的 patch 发布，估计器数值路径零变化，三条独立的加固
线一起落地：（1）sp.agent.mcp_server 现在产出严格合规的 JSON——
原生 NaN / ±Infinity 浮点会在序列化前递归替换为 null，让 RFC
8259 严格解析器（Claude Desktop 在内）不再因为非标准 token 报错；
（2）sp.replicate 把四篇经典论文复现——Card (1995)、Abadie-
Diamond-Hainmueller (2010) 加州 Prop 99、Lalonde (1986) / DW
(1999)、Lee (2008) 参议员 RD——从单轨 stub 升级为经典轨 + 现代轨
完整菜谱，配套打包了原始公共域 CSV 和锁定的金标准数字；（3）发布
打包收紧——wheel 冒烟测试在 ImportError 时失败而不是吞错，
py.typed 标记打入 wheel，结果 _repr_html_ 路径转义用户控制单元
（notebook XSS 防御），新增 [text] extra 让 sentence-transformers
成为 sp.causal_text 的显式可选依赖。升级命令：
pip install --upgrade statspai。完整发布说明见
CHANGELOG.md [1.15.2]。
📦 v1.15.1（2026-05-07）— RD 的 R 精确复现路径 + 负二项回归实现说明
这是 v1.15.0 之后的 patch 发布准备版。sp.rdrobust 新增
bwselect='cct' 可选路径：需要和 R rdrobust::rdrobust 做 bit-equal
复现时，可以委托官方 rdrobust>=1.3 Python 端完成带宽选择和稳健偏差
校正推断；默认 bwselect='mserd' 保持不变，所以既有 RD 脚本不会因为升
级而改变数字。安装精确复现路径：pip install statspai[rd-cct]。
本版也补齐负二项计数回归的实现说明。sp.nbreg 是 log-link MLE，默认
NB2（Var[Y|X] = μ + αμ²），也支持 dispersion='constant' 的 NB1
（Var[Y|X] = μ(1 + δ)）。拟合过程先用 Poisson IRLS 热启动，然后在
系数的 NB 加权 IRLS 和离散度参数的标量 profile likelihood 优化之间迭
代；支持 offset、exposure、weights、IRR、HC/cluster 标准误、相对
Poisson 的 LR 检验，以及 y ~ x | id 这种公式固定效应（通过显式 dummy
展开，适合中等规模面板）。sp.xtnbreg(model='fe') 包装这条固定效应
路径并默认按 entity 聚类；model='re' 分派到随机截距 NB2 GLMM
sp.menbreg。完整发布说明见 CHANGELOG.md [1.15.1]。
📦 v1.13.1（2026-05-05）— 稳定性分级 + 外部效度档案 + 冷启动手术
v1.13 给每个 FunctionSpec 打上 stability 标签
（stable / experimental / deprecated）以及函数级 limitations，
通过 sp.describe_function / sp.list_functions(stability=...) /
statspai list CLI / sp.function_schema 的 LLM 描述全链路曝光；
sp.recommend / sp.causal / sp.paper 默认丢弃 experimental /
deprecated 条目，除非显式传 allow_experimental=True。aipw /
aggte / pretrends_test / sensitivity_rr / mccrary_test /
oster_bounds / wild_cluster_bootstrap / rd_honest 这 8 个高频
估计器从 auto-registered 升级到 hand-written spec。sp.preflight(... "ivreg", formula=...) 增加弱工具变量预检关，第一阶段 F 跌破
Staiger–Stock (1997) / Stock–Yogo (2005) 阈值时发结构化 warning；
sp.recommend(... design='iv') 在弱第一阶段下自适应把 LIML / AR 排到
2SLS 之前。同时新增 36 模块 R parity harness
（tests/r_parity/）、21 模块 Stata parity harness
（tests/stata_parity/）、4 数据集原始论文复算（Card / mpdta /
Basque / LaLonde NSW + PSID-1，全部 bit-equal 命中发表数字）、Track-C
性能 harness（HDFE / CS-DiD / SCM / DML 的 log-log 扩展）、
tests/coverage_monte_carlo/ 上 B=1000 的 95% CI 实证覆盖
（7 个已物化 nominal 行：OLS 0.952 / 2×2 DiD 0.955 / 强 IV
0.962 / Callaway-Sant'Anna 0.946 / entropy balancing 1.000 / DML
0.969 / causal-forest AIPW 0.977；高于 99% Wilson 带 [0.935,
0.967] 的行按保守过覆盖报告），以及 900 trial 的 CausalAgentBench 提示套件
（mock 模式已就绪，--api 一键开启）。新增三个顶层 meta API：
sp.validation_report() / sp.coverage_matrix() /
sp.reproduce_jss_tables() —— 让 referee 可以直接在 Python 里复核
StatsPAI 的外部效度证据，无需离开 REPL。冷启动方面，statspai.forest
改为惰性加载（Step 1B）、18 个估计器文件把 sklearn 移到函数体内
（Step 1C）、HAL TMLE 类去掉 sklearn 类继承（Step 1D），合计 import statspai 的 sklearn 子模块数从 245 → 0。sp.callaway_santanna(method='reg')
修复一个潜在的影响函数缩放错误（IPW / DR 路径不受影响）—— 请重跑
v1.10–v1.13 期间使用 method='reg' 的 CS-DiD 分析。完整发布说明见
CHANGELOG.md [1.13.1]。
📦 v1.12.2（2026-05-01）— sp.causal_question ML 路由 + 共享稳健性 battery + 加权 PLIV/IIVM
v1.12.0 DML 加固之上的补丁版：sp.causal_question 现在直接接受
design='dml'|'tmle'|'metalearner'|'causal_forest' 标签并路由到对应
估计器，识别故事 / 假设也按设计正确记录；sp.paper(...) 两条入口共享
一份新的 design-aware 稳健性 battery（workflow/_robustness.py）；
sp.llm_annotator_correct 升级到多类处理 + 偏差校正自助 + SE 膨胀
诊断；sp.dml(model='pliv'|'iivm') 现已端到端支持 sample_weight。
对 v1.12.0/1.12.1 既有调用无任何数值变化。完整发布说明见
CHANGELOG.md [1.12.2]。
📦 v1.12.0（2026-04-30）— DML 加固 + TMLE 正确性审计
双线维护版本，完整发布说明见 CHANGELOG.md [1.12.0]，
破坏性变更迁移指引见 MIGRATION.md.
⚠️ 正确性 — DML：sp.dml(model='irm' | 'iivm')改用StratifiedKFold（之前是KFold）；子组为空的折现在抛IdentificationFailure，不再悄悄把 AIPW 分数填零。sp.dml_panel(binary_treatment=True)改为已弃用的 no-op（旧 路径在 within-demeaned 特征上拟合 raw {0,1} 标签，得到的倾向得分 没有E[D̃|X̃]的清晰解释）。sp.dml_model_averaging默认权重 规则从"inverse_risk"切换为"short_stacking"（Ahrens-Hansen- Schaffer-Wiemann 2025 JAE eq. 7）— 想保持 v1.11 的数字请显式传weight_rule="inverse_risk"。PLIV 弱工具变量 partial corr 阈值从1e-6收紧到1e-3，并增加了残差方差比守卫以捕获工具变量与 X 完全共线的退化情形。⚠️ 正确性 — TMLE：sp.tmle.SuperLearner现在解约束单纯形 QP （之前是 NNLS 加事后归一化，除非偶然，结果都不在单纯形上）。sp.tmle.ltmle截尾半成品已修；sp.tmle.ltmle_survival把 RMST 和终止时刻 RD 的影响函数分开（之前两者共用一个非目标-函数化的 EIF）。sp.hal_tmle(variant='projection')现在诚实抛NotImplementedError，等 Riesz 投影步骤就位（之前是事后对 ε 做 ad-hoc 收缩的 silent no-op）。- 新增 — DML：所有
sp.dml(model=...)入口都接受random_state=和sample_weight=。sample_weight=在 PLR / IRM / PLIV / IIVM /sp.dml_panel/sp.dml_model_averaging上完全支持（统一走 Z-estimator sandwich 方差）。每个变体的model_info["diagnostics"]现在都填好了：倾向得分分布、clip 计数、 子组兜底次数、partial corr、近似一阶段 F。
🎉 v1.5.0 新版本 — Interference / Conformal / Mendelian 三家族合并升级
StatsPAI 1.5.0 是 minor 版本，一次性完成 interference、conformal 因果推断、Mendelian 随机化三个家族的三项联动升级：完整家族文档指南、与 sp.synth / sp.decompose / sp.dml 同构的统一 dispatcher，以及一次针对性的正确性审计修掉两处"悄悄算错"。
| 模块 | v1.5 升级要点 |
|---|---|
| 家族指南（3 篇新） | docs/guides/interference_family.md — 9 个估计器（sp.spillover、sp.network_exposure、sp.peer_effects、sp.network_hte、sp.inward_outward_spillover、sp.cluster_matched_pair、sp.cluster_cross_interference、sp.cluster_staggered_rollout、sp.dnc_gnn_did）+ 决策树 + 每次 interference 分析必报的 5 项诊断。docs/guides/conformal_family.md — 10 个 conformal 估计器按"边际覆盖保证的含义"重组，明确 marginal 与 conditional 的区别。docs/guides/mendelian_family.md — 17 个 MR 函数按 IV1 / IV2 / IV3 假设层级重组 + 4 项 sanity check + BMI → T2D 完整示例。 |
| 统一 dispatcher（3 个新） | sp.mr(method=...) — 33 个别名（IVW / Egger / median / mode / MVMR / mediation / BMA / PRESSO / radial / Steiger / F 统计量 / LOO / 多效性 / 异质性）。sp.conformal(kind=...) — 29 个别名（CATE / counterfactual / ITE / density / 多阶段 / debiased-ML / fair / continuous / interference）。sp.interference(design=...) — 29 个别名（partial / network-exposure / peer-effects / network-HTE / inward-outward / 4 种 cluster-RCT 变体）。kwargs 原样透传；每个 dispatcher 的输出与直调结果逐字节一致（30 个新 parity 测试守卫）。 |
sp.mr_egger |
slope 推断先前对 p 值和 CI 临界值都用 stats.norm，而配套的 sp.mr_pleiotropy_egger 用的是 t(n−2)，两处口径不一致。小样本下反而过松——n_snps = 5、t ≈ 1.5 时 Normal 给 p = 0.134，正确的 t(3) 给 p = 0.231。修复后两处都用 t(n − 2)；n_snps ≥ ~100 时数值不可见。回归守卫：tests/test_correctness_v150.py::TestMREggerUsesTDistribution。 |
sp.mr_presso |
MC p 值（全局检验 + 逐 SNP outlier）先前都用原始 mean(null ≥ obs)，当实测统计量大于所有模拟 null 时会塌缩为 0.0。MC 估计 p 值的真实下界是 1 / (B + 1)，不可能为零。修复改用标准 (k + 1) / (B + 1)（与 R 的 MR-PRESSO 一致）。log(p) 和灵敏度变换不会再静默返回 -inf。回归守卫：tests/test_correctness_v150.py::TestMRPressoMCPvalueConvention。 |
sp.mr |
模块别名 → 函数 dispatcher。v1.5.0 之前 sp.mr.mr_ivw(...) 能走通是因为 sp.mr 是 statspai.mendelian 的模块别名。迁移：用顶层 sp.mr_ivw(...)（历来就有，未变）或新的 sp.mr("ivw", ...)。模块访问保留在 sp.mendelian 下。见 MIGRATION.md。 |
| Registry 覆盖 | 5 个此前"sp 命名空间可见但 registry 没挂"的家族函数现已出现在 sp.list_functions() 并可通过 sp.describe_function() 拿到 agent 可读 schema：network_exposure、peer_effects、weighted_conformal_prediction、conformal_counterfactual、conformal_ite_interval。 |
除了 sp.mr 模块→函数这一点，其他所有公开签名与 v1.4.2 逐字节一致。
v1.4.2 — 正确性补丁 + Proximal / QTE / 因果 RL 家族指南
StatsPAI 1.4.2 是 patch 版本，带两个"悄悄算错"的修复 + 三篇家族指南：
⚠️ 正确性修复 —sp.dml_model_averaging的 √n SE 尺度 bug：候选间方差聚合器把"样本均值影响函数的外积"当成了Var(θ̂_avg)本身，漏掉了最后的/ n。报告的 SE 因此比真值大√n倍；在典型 n=400 DGP 上，95% CI 宽度 4.20（理论 ≈ 0.21），实证覆盖率 100%（名义 95%）。修复后 CI 宽度 0.21，覆盖率回到名义水平。回归守卫加在tests/test_dml_model_averaging.py::test_se_on_correct_scale。⚠️ 正确性修复 —sp.gardner_didevent-study 参照组污染：Stage-2 dummy 回归把"从未处理单元"和"处在 event-study 视野之外的已处理单元"合并成同一个基线，把每个 event-time 系数都往这个混合基线的均值拖。τ=2 且严格平行趋势的合成面板上，pre-trend ≈ -0.30（应为 0），post ≈ +1.72（应为 2.0）。Event-study 模式下改用 Borusyak-Jaravel-Spiess 风格的 (cohort × relative-time) 分箱直接聚合 imputed gap。修复后 pre-trend ≈ +0.01，post ≈ +2.02。非 event-study 的单 ATT 路径本来就对，保持不变。- 家族指南：
docs/guides/proximal_family.md（Proximal 家族）、docs/guides/qte_family.md（均值→分位数→分布）、docs/guides/causal_rl_family.md（因果 RL）。 - v1.4.1 cherry-pick 的正式发版：
tests/test_bridge_full.py+docs/guides/bridging_theorems.md。
v1.4.1 — v3 前沿 Sprint 3：AKM 冲击聚类 SE、Claude 扩展思考、对齐与集成测试套件、2 篇新指南
StatsPAI 1.4.1 在 1.4.0 基础上做增量更新，关闭 Sprint 3 的 4 项工作：
- AKM 冲击聚类 SE：
sp.shift_share_political_panel(cluster='shock')实现 Park-Xu（2026）§4.2 推荐的 Adão-Kolesár-Morales（2019）面板扩展方差估计，在 10–100 个行业的设定下通常比单元聚类 SE 紧 3×。diagnostics['akm_se']与可读diagnostics['cluster']标签同时返回。 - Causal MAS 的 Claude 扩展思考：
sp.causal_llm.anthropic_client(thinking_budget=N)接入 Claude 4.5 / Opus 4.7 扩展思考 API。推理轨迹写入client.history[-1]['thinking']以便审计，但不会出现在causal_mas解析的正文里。同时处理thinking与redacted_thinking两类 content block。 - 对齐与集成测试套件：
tests/reference_parity/test_assimilation_parity.py（10 项 Kalman / 粒子后端校验，含 Kalman↔粒子一致性与 Student-t 污染鲁棒性）与tests/integration/test_causal_mas_with_fake_llm.py（11 个基于echo_client的 MAS 端到端测试 + 3 个 mock Anthropic SDK 的 Claude thinking block 解析测试）。 - 两篇新 MkDocs 指南：
docs/guides/shift_share_political_panel.md（含 AKM 冲击聚类的完整面板 IV 流程）与docs/guides/causal_mas.md（多智能体 LLM 因果发现完整走查）。
v1.4.0 的所有公开 API 保持稳定；新增面只是附加 kwargs。
v1.4.0 — v3 前沿 Sprint 2：面板 shift-share、真·LLM 适配器、粒子滤波同化、3 篇新指南
StatsPAI 1.4.0 是知识地图 v3 路线图的 Sprint 2，关闭了 Sprint 1 末尾的 4 个次要项：Park-Xu 政治 shift-share 多期扩展、Causal MAS 发现 Agent 的真·OpenAI/Anthropic 适配器、causal_kalman 的粒子滤波后端（处理非高斯先验与非线性动力学），以及 3 篇覆盖 v3 前沿的 MkDocs 指南。Sprint 1 模块的 20 处 unused-import 清理。CI 上 1 个 CausalForest ATE parity 测试的 flake 通过显式播种修复。
| 模块 | v1.4 亮点 |
|---|---|
| 面板 shift-share IV | sp.shift_share_political_panel — Park-Xu（2026）§4.2 多期扩展：时变 shares + 时变 shocks、单元/时间/双向 FE 池化 2SLS、按期 event-study 表 + 总体 Rotemberg top-K。30×4 合成面板上恢复 τ = 0.30 误差 0.003。 |
| 真·LLM 适配器（Causal MAS） | sp.causal_llm.openai_client — OpenAI SDK ≥ 1.0（通过 base_url 支持 Azure / vLLM / Ollama）。sp.causal_llm.anthropic_client — Anthropic Messages API ≥ 0.30，默认 claude-opus-4-7。sp.causal_llm.echo_client — 离线单测用的确定性脚本客户端。SDK lazy-import → 核心包零新增运行时依赖。 |
| 粒子滤波同化 | sp.assimilation.particle_filter — 带系统重采样的 bootstrap-SIR 粒子滤波（Gordon-Salmond-Smith 1993；Douc-Cappé 2005）。非高斯先验、重尾观测噪声、非线性动力学通过可插拔回调实现。高斯 DGP 下与精确 Kalman 一致到 ~0.003。sp.assimilative_causal(..., backend='particle') 端到端 wrapper 路由到粒子滤波。 |
| 文档（v3 前沿指南） | docs/guides/synth_experimental.md（Abadie-Zhao 反向 SC 流程）、docs/guides/harvest_did.md（Borusyak-Hull-Jaravel harvest DID）、docs/guides/assimilative_ci.md（Nature Comms 2026 流式 CI，Kalman + 粒子后端）。已挂到 mkdocs.yml 导航。 |
| v1.3 稳定基础（延续） | Sprint 1 的 11 个 2025-2026 前沿方法：synth_experimental_design、rdrobust(..., bootstrap='rbc')、evidence_without_injustice、target_trial.to_paper(fmt='jama'/'bmj')、harvest_did、bcf_ordinal、bcf_factor_exposure、causal_mas、shift_share_political、causal_kalman。所有 v1.0 capstone 面（sp.bridge、sp.fairness、sp.surrogate、sp.epi、sp.longitudinal、sp.question、MR 全家桶、TARGET 清单）保持不变。 |
| Agent 平台 | sp.list_functions() / sp.describe_function() / sp.function_schema() 为 1,020 个注册公共函数提供 OpenAI/Anthropic tool-calling schema。362 个已策划或显式继承的 FunctionSpec 条目携带假设、前置条件、失败模式、局限、typical_n_min 或 validation tier。validation_status 明确区分 certified / validated / api_stable，避免把 schema 覆盖误读成数值验证。sp.agent.mcp_server MCP 脚手架让外部 LLM 可自然语言调用已注册且工具化的函数。 |
| CI/CD 卫生 | v1.3.0 的 tabulate 硬依赖延续。通过显式播种（random_state=0、n_estimators=300、扩 n）修复 test_forest_ate_recovers_average_tau flake。2 699+ 测试在所有 OS × Python matrix 上通过。 |
v0.6 新功能：sp.interactive(fig) —— 类似 Stata Graph Editor 的 WYSIWYG 图表编辑器，支持 29 种学术主题、实时预览、自动生成可复现代码。
由 CoPaper.AI 团队构建 · 斯坦福 REAP 项目
| 痛点 | Stata | R | StatsPAI |
|---|---|---|---|
| 包分散 | 统一环境，但 $695+/年 | 20+ 个包，API 互不兼容 | 一个 import，统一 API |
| 论文表格 | outreg2（格式有限） |
modelsummary（最佳） |
支持的结构化结果对象可导出 Word + Excel + LaTeX + HTML |
| 稳健性检验 | 手动重跑 | 手动重跑 | spec_curve() + robustness_report() —— 一行代码 |
| 异质性分析 | 手动分组 + 画图 | 手动 lapply + ggplot |
subgroup_analysis() 含 Wald 检验 |
| 现代 ML 因果 | 有限（无 DML、无因果森林） | 分散（DoubleML、grf、SuperLearner 各自独立） | DML、因果森林、Meta-Learners、TMLE、DeepIV |
| 神经因果模型 | 无 | 无 | TARNet、CFRNet、DragonNet |
| 加速后端 | CPU / Stata/MP 多核为主 | GPU 支持分散在不同包里 | 同一计量 API 下 opt-in JAX / PyTorch 后端 |
| 因果发现 | 无 | pcalg（API 复杂） |
notears()、pc_algorithm() |
| 策略学习 | 无 | policytree（独立包） |
policy_tree() + policy_value() |
| 结果对象 | 命令间不统一 | 包间不统一 | 统一的 CausalResult：.summary()、.plot()、.to_latex()、.cite() |
| 交互式图表编辑 | Graph Editor（无法导出代码） | 无 | sp.interactive() —— GUI 编辑 + 自动生成代码 |
StatsPAI 不是 R 的 wrapper。我们从原始论文独立重新实现每一个算法（通过 .cite() 暴露引用），少数成熟引擎（pyfixest、rdrobust）使用显式透明的绑定。StatsPAI 的真正差异化在于上层的统一架构：
- 结构化结果对象，一套 API。 论文和主流程覆盖的估计器返回结构化结果对象，在支持的路径上共享
.summary()/.plot()/.to_latex()/.cite()接口；这不是“所有 helper 都有同一统计输出”的声明。 - 跨方法家族的统一覆盖。 DID + RD + Synth + Matching + DML + Meta-learners + TMLE + Neural Causal + Causal Discovery + Policy Learning + Conformal + Bunching + Spillover + Matrix Completion —— 统一在
sp.*命名空间下；数值可信度仍由每个函数的validation_status决定。 - Agent-facing schema 层。 自描述 schema（
list_functions()、describe_function()、function_schema()）让 LLM 工作流可以发现和调用工具；这是软件接口声明，不是 autonomous agent 行为效果声明。 - 选择性 accelerator-ready。 神经因果估计器可以通过
STATSPAI_TORCH_DEVICE显式路由到 PyTorch CUDA/MPS，HDFE residualizer 暴露backend="jax"。这不是“全包 GPU 加速”或“已经全面快过 R/Stata”的声明；GPU 性能需要单独在对应硬件上报告。 - 论文级输出流水线开箱即用。 支持的结构化结果可以导出 Word + Excel + LaTeX + HTML + Markdown，不需要为常见工作流额外跳一段
modelsummary风格的舞。
原则：重点方法要么给出明确 parity / recovery / coverage 证据，要么标出实现边界；然后叠加 Python 独有的优势——sklearn 生态集成、opt-in JAX / PyTorch accelerator 后端、agent-facing schema。
| 函数 | 描述 | Stata 等价命令 | R 等价函数 |
|---|---|---|---|
regress() |
OLS，支持稳健/聚类/HAC 标准误 | reg y x, r / vce(cluster c) |
fixest::feols() |
ivreg() |
IV / 2SLS，含一阶段诊断 | ivregress 2sls |
fixest::feols() + IV |
panel() |
固定效应、随机效应、Between、一阶差分 | xtreg, fe / xtreg, re |
plm::plm() |
heckman() |
Heckman 选择模型 | heckman |
sampleSelection::selection() |
qreg(), sqreg() |
分位数回归 | qreg / sqreg |
quantreg::rq() |
tobit() |
截断回归（Tobit） | tobit |
censReg::censReg() |
xtabond() |
Arellano-Bond 动态面板 GMM | xtabond |
plm::pgmm() |
glm() |
广义线性模型（6 族 × 8 链接） | glm |
stats::glm() |
logit(), probit() |
二元选择模型，含边际效应 | logit / probit |
stats::glm(family=binomial) |
mlogit() |
多项 Logit | mlogit |
nnet::multinom() |
ologit(), oprobit() |
有序 Logit / Probit | ologit / oprobit |
MASS::polr() |
poisson(), nbreg() |
计数模型；nbreg 支持 NB2/NB1、offset/exposure、IRR、稳健/聚类标准误、显式公式固定效应 |
poisson / nbreg |
MASS::glm.nb() |
xtnbreg() |
面板负二项回归（fe 走显式 dummy 固定效应，re 走随机截距 NB2 GLMM） |
xtnbreg, fe / xtnbreg, re |
glmmTMB / lme4 风格 NB GLMM |
ppmlhdfe() |
引力模型伪泊松 MLE | ppmlhdfe |
fixest::fepois() |
feols() |
OLS / IV，高维固定效应（pyfixest 后端） | reghdfe |
fixest::feols() |
fepois() |
高维固定效应泊松 | ppmlhdfe |
fixest::fepois() |
feglm() |
高维固定效应 GLM | — | fixest::feglm() |
etable() |
出版级回归表（LaTeX / Markdown / HTML） | esttab |
fixest::etable() |
gmm() |
一般 GMM（任意矩条件） | gmm |
gmm::gmm() |
frontier() |
随机前沿分析 | frontier |
sfa::sfa() |
| 函数 | 描述 | 参考文献 |
|---|---|---|
did() |
自动分派 DID（2×2 或交错） | — |
did_summary() |
一次调用跑 CS/SA/BJS/ETWFE/Stacked 五种方法并出对比表 | — |
did_summary_plot() |
方法稳健性森林图（点估计 + CI 并排） | — |
did_summary_to_markdown() / _to_latex() |
论文级稳健性对比表（GFM / booktabs） | — |
did_report() |
一次调用打包输出：txt + md + tex + png + json | — |
callaway_santanna() |
交错 DID，异质处理效应 | Callaway & Sant'Anna (2021) |
sun_abraham() |
交互加权事件研究 | Sun & Abraham (2021) |
bacon_decomposition() |
TWFE 分解诊断 | Goodman-Bacon (2021) |
honest_did() |
平行趋势假设敏感性 | Rambachan & Roth (2023) |
continuous_did() |
连续处理 DID（剂量反应） | Callaway, Goodman-Bacon & Sant'Anna (2024) |
did_imputation() |
插补 DID 估计量 | Borusyak, Jaravel & Spiess (2024) |
wooldridge_did() / etwfe() |
扩展 TWFE：xvar=（单/多协变量异质性）+ panel=（重复截面）+ cgroup=（never/notyet 控制组） |
Wooldridge (2021) |
etwfe_emfx() |
R etwfe::emfx 等价——simple/group/event/calendar 四种聚合边际效应 |
McDermott (2023) |
drdid() |
2×2 双重稳健 DID（OR + IPW） | Sant'Anna & Zhao (2020) |
stacked_did() |
堆叠事件研究 DID | Cengiz et al. (2019); Baker, Larcker & Wang (2022) |
ddd() |
三重差分（DDD） | Gruber (1994); Olden & Møen (2022) |
cic() |
Changes-in-changes 分位 DID | Athey & Imbens (2006) |
twfe_decomposition() |
Bacon + de Chaisemartin–D'Haultfoeuille 权重诊断 | Goodman-Bacon (2021); dCDH (2020) |
| 函数 | 描述 | 参考文献 |
|---|---|---|
rdrobust() |
尖锐/模糊 RD，稳健偏差校正推断 | Calonico, Cattaneo & Titiunik (2014) |
rdplot() |
RD 可视化（分箱散点图） | — |
rddensity() |
CJM 密度操纵检验；可选 backend="r" 桥接 rddensity::rddensity |
Cattaneo, Jansson & Ma (2020) |
| 函数 | 描述 | Stata 等价命令 |
|---|---|---|
match() |
PSM、Mahalanobis、CEM，含平衡诊断 | psmatch2 / cem |
ebalance() |
熵平衡 | ebalance |
| 函数 | 描述 | 参考文献 |
|---|---|---|
synth() |
Abadie-Diamond-Hainmueller SCM | Abadie et al. (2010) |
sdid() |
合成双重差分 | Arkhangelsky et al. (2021) |
| 函数 | 描述 | 参考文献 |
|---|---|---|
dml() |
双重/去偏 ML（PLR + IRM），交叉拟合 | Chernozhukov et al. (2018) |
causal_forest() |
因果森林，异质处理效应 | Wager & Athey (2018) |
deepiv() |
深度 IV 神经网络方法 | Hartford et al. (2017) |
metalearner() |
S/T/X/R/DR-Learner CATE 估计 | Kunzel et al. (2019), Kennedy (2023) |
tmle() |
目标最大似然估计 | van der Laan & Rose (2011) |
| 函数 | 描述 | 参考文献 |
|---|---|---|
tarnet() |
Treatment-Agnostic 表示网络 | Shalit et al. (2017) |
cfrnet() |
反事实回归网络 | Shalit et al. (2017) |
dragonnet() |
Dragon 神经网络 CATE | Shi et al. (2019) |
| 函数 | 描述 | Stata 等价命令 |
|---|---|---|
margins() |
平均边际效应（AME/MEM） | margins, dydx(*) |
test() |
线性约束 Wald 检验 | test x1 = x2 |
lincom() |
线性组合推断 | lincom x1 + x2 |
estat() |
综合估计后诊断 | estat |
predict() |
样本内/外预测 | predict |
| 函数 | 描述 | 参考文献 |
|---|---|---|
oster_bounds() |
系数稳定性界限 | Oster (2019) |
sensemakr() |
遗漏变量敏感性 | Cinelli & Hazlett (2020) |
evalue() |
E-值（未测量混杂敏感性） | VanderWeele & Ding (2017) |
vif() |
方差膨胀因子 | — |
het_test() |
Breusch-Pagan / White 异方差检验 | — |
reset_test() |
Ramsey RESET 设定检验 | — |
| 函数 | 描述 |
|---|---|
recommend() |
给定数据 + 研究问题 → 推荐估计方法，附推理过程，可直接 .run() |
compare_estimators() |
多方法对比（OLS、匹配、IPW、DML……），报告一致性诊断 |
assumption_audit() |
一键检验任何方法的所有假设，每项给出通过/失败/补救方案 |
sensitivity_dashboard() |
多维度敏感性分析（样本、异常值、不可观测变量），含稳定性评级 |
pub_ready() |
期刊专属发表准备清单（Top 5 经济学、AEJ、RCT） |
replicate() |
内置经典数据集（Card 1995、LaLonde 1986、Lee 2008），含复现指南 |
| 函数 | 描述 |
|---|---|
spec_curve() |
规格曲线 / 多元宇宙分析 |
robustness_report() |
自动稳健性电池（标准误变体、缩尾、截断、增减控制变量、子样本） |
subgroup_analysis() |
异质性分析 + 森林图 + 交互 Wald 检验 |
| 函数 | 描述 | 格式 |
|---|---|---|
modelsummary() |
多模型对比表 | 文本、LaTeX、HTML、Word、Excel |
outreg2() |
Stata 风格回归表导出 | Excel、LaTeX、Word |
sumstats() |
描述性统计（Table 1） | 文本、LaTeX、HTML、Word、Excel |
balance_table() |
处理前平衡检验 | 文本、LaTeX、HTML、Word、Excel |
coefplot() |
系数森林图 | matplotlib |
binscatter() |
分箱散点图（可残差化） | matplotlib |
interactive() |
WYSIWYG 图表编辑器，29 种主题 + 自动生成代码 | Jupyter ipywidgets |
每个结果对象都有：
result.summary() # 格式化文本摘要
result.plot() # 合适的可视化图表
result.to_latex() # LaTeX 表格
result.to_docx() # Word 文档
result.cite() # 方法的 BibTeX 引用用过 Stata 的人都知道 Graph Editor——双击图表就能进入可视化编辑界面，拖字体、换颜色、调布局，所见即所得。Python 这边，matplotlib 画完图想改标题字号得回去改代码重跑。
sp.interactive(fig) 把任何 matplotlib 图表变成带实时预览的编辑面板——左边是图表，右边是属性控制，跟 Stata Graph Editor 一样的操作逻辑。但它比 Stata 多做了两件事：
-
29 种学术主题一键切换。 从 AER 期刊风格到 ggplot、FiveThirtyEight、暗色演示模式，选一下就能看到效果。Stata 换 scheme 要重新出图，这里是实时的。
-
每一步编辑自动生成可复现代码。 你在 GUI 里调了标题字号、换了颜色、加了注释，编辑器会把操作记录成标准 matplotlib 代码。一键复制，贴到脚本里就能复现。Stata Graph Editor 无法导出编辑操作为 do-file 命令。
import statspai as sp
result = sp.did(df, y='wage', treat='policy', time='year')
fig, ax = result.plot()
editor = sp.interactive(fig) # 打开编辑器
# 在 GUI 中编辑后：
editor.copy_code() # 打印可复现的 Python 代码pip install statspai可选依赖：
pip install statspai[plotting] # matplotlib, seaborn
pip install statspai[fixest] # pyfixest 高维固定效应
pip install statspai[deepiv] # PyTorch (Deep IV)
pip install statspai[neural] # PyTorch (TARNet / CFRNet / DragonNet)
pip install statspai[text] # sentence-transformers，用于 sbert 文本嵌入
pip install statspai[performance] # JAX CPU 后端，用于 sp.fast.demean加速后端默认不自动开启。神经估计器默认使用 CPU；安装匹配的 PyTorch 后，可以设置
STATSPAI_TORCH_DEVICE=auto、cuda 或 mps。HDFE 的 JAX 路径需要显式传入
sp.fast.demean(..., backend="jax")；CUDA JAX 还需要用户安装 CUDA-enabled JAX。
环境要求： Python >= 3.9
核心依赖： NumPy、SciPy、Pandas、statsmodels、scikit-learn、linearmodels、patsy、openpyxl、python-docx
以下所有代码均可直接运行 —— 仅使用 StatsPAI 随包内置的教学数据集（sp.datasets），无需额外下载数据。pip install statspai 后复制粘贴即可执行。
import statspai as sp
# --- 估计 ---
card = sp.datasets.card_1995() # Card (1995) 教育回报（n=3010）
r1 = sp.regress("lwage ~ educ + exper", data=card, robust='hc1')
r2 = sp.ivreg("lwage ~ (educ ~ nearc4) + exper", data=card)
mp = sp.datasets.mpdta() # Callaway–Sant'Anna 交错 DiD（n=2500）
r3 = sp.did(mp, y='lemp', treat='first_treat', time='year', id='countyreal')
lee = sp.datasets.lee_2008_senate() # Lee (2008) 锐断 RD（n=6558）
r4 = sp.rdrobust(lee, y='voteshare_next', x='margin', c=0)
nsw = sp.datasets.nsw_dw() # LaLonde / NSW-DW 职业培训（n=2675）
r5 = sp.dml(nsw, y='re78', treat='treat',
covariates=['age', 'education', 're74', 're75'])
r6 = sp.causal_forest("re78 ~ treat | age + education + re74 + re75", data=nsw)
# --- 估计后 ---
sp.margins(r1, data=card) # 边际效应
sp.test(r1, "educ = exper") # Wald 检验
sp.estat(r1) # 综合诊断
# --- 表格（Word / Excel / LaTeX）---
sp.modelsummary(r1, r2, output='table2.docx')
sp.outreg2(r1, r2, r3, filename='results.xlsx')
sp.sumstats(card, vars=['lwage', 'educ', 'exper'], output='table1.docx')
# --- 稳健性（StatsPAI 独有）---
sp.spec_curve(card, y='lwage', x='educ',
controls=[[], ['exper'], ['exper', 'black']],
se_types=['nonrobust', 'hc1']).plot()
# --- 智能推荐（StatsPAI 独有）---
rec = sp.recommend(nsw, y='re78', treatment='treat')
print(rec.summary()) # 推荐哪个估计方法 + 原因
result = rec.run() # 一键执行推荐的方法| 优势 | 详情 |
|---|---|
| 统一 API | 一个包，一个 import，所有方法一致的 .summary() / .plot() / .to_latex()。Stata 需付费插件；R 需 20+ 个接口不同的包。 |
| 现代 ML 因果方法 | DML、因果森林、Meta-Learners（S/T/X/R/DR）、TMLE、DeepIV、TARNet/CFRNet/DragonNet、策略树——全在一个包里。Stata 几乎没有；R 分散在互不兼容的包中。 |
| 选择性 accelerator-ready | 神经因果估计器可路由到 PyTorch CUDA/MPS，HDFE residualization 暴露 JAX 后端，同时保持同一套结果对象、诊断和导出 API。 |
| 稳健性自动化 | spec_curve()、robustness_report()、subgroup_analysis()——不用手动重跑。Stata 和 R 都没有开箱即用的。 |
| 免费开源 | MIT 协议，$0。Stata 每年 $695–$1,595。 |
| Python 生态 | 与 pandas、scikit-learn、PyTorch、Jupyter、云端流水线天然集成。 |
| 自动引用 | 每个因果方法都有 .cite() 返回正确的 BibTeX。Stata 和 R 都没有。 |
| 交互式图表编辑 | sp.interactive() —— Jupyter 中的 Stata Graph Editor 风格 GUI，29 种主题，自动生成可复现代码。 |
| 优势 | 详情 |
|---|---|
| 大规模验证 | 40+ 年在经济学中的生产使用，边界情况处理完善。 |
| CPU 表格型任务速度 | Stata 的编译后端和 Stata/MP 多核路线在大规模简单 OLS/FE 上仍然很强。StatsPAI 不主张普遍速度优势。 |
| 调查数据 | svy: 前缀、分层、聚类——Stata 的调查支持无人匹敌。 |
| 成熟文档 | 每个命令都有 PDF 手册和示例，社区庞大。 |
| 期刊认可度 | 某些领域审稿人默认信任 Stata 输出。 |
| 优势 | 详情 |
|---|---|
| 前沿方法 | 新计量方法（如 fixest、did2s、HonestDiD）通常先在 R 社区出现。 |
| ggplot2 可视化 | R 的图形语法比 matplotlib 更灵活。 |
| CRAN 质量控制 | R 包经过同行评审。Python 包质量参差不齐。 |
| 空间计量 | spdep、spatialreg——R 的空间生态更深。 |
| 成熟 GPU 生态 | R 已有 torch / tensorflow / OpenCL 等 GPU 路线，但通常是逐包使用。StatsPAI 的 accelerator 路线更新，目前限于部分 JAX / PyTorch 支撑的工作负载。 |
StatsPAI Inc. 是 CoPaper.AI——AI 辅助实证研究协作平台的研究基础设施公司，诞生于斯坦福 REAP 项目。
CoPaper.AI — 上传数据，设定研究问题，生成完全可复现的学术论文，含代码、表格和格式化输出。底层由 StatsPAI 驱动。copaper.ai
团队：
- Biaoyue Wang — 创始人。经济学、金融学、计算机与 AI。斯坦福 REAP。
- Dr. Scott Rozelle — 联合创始人兼战略顾问。斯坦福高级研究员，《看不见的中国》作者。
git clone https://github.com/brycewang-stanford/statspai.git
cd statspai
pip install -e ".[dev,plotting,fixest]"
pytest如果您在研究中使用 StatsPAI，请引用本包。最方便的方式是直接在 Python 里调用
sp.citation()——它会返回一份与你当前安装版本对齐的 BibTeX：
import statspai as sp
print(sp.citation()) # BibTeX（默认）
print(sp.citation("apa")) # APA 风格人类可读字符串
print(sp.citation("plain")) # 极简纯文本
sp.__citation__ # 与 sp.citation("bibtex") 等价当前版本的静态示例（Zenodo concept DOI 永远指向最新版）：
@software{wang2026statspai,
author = {Wang, Biaoyue and Rozelle, Scott},
title = {StatsPAI: Validation-Tiered Causal Inference and Econometrics Workflows for Python},
year = {2026},
version = {1.16.0},
doi = {10.5281/zenodo.19933900},
url = {https://doi.org/10.5281/zenodo.19933900},
license = {MIT},
}如需引用确切版本（建议在复现包 / replication package 中使用），请在
Zenodo 记录页面拷贝该 release
对应的 versioned DOI 替换上面的 doi 字段。
规范元数据存放在 CITATION.cff（GitHub 会基于此渲染右侧
"Cite this repository" 按钮）。StatsPAI 的 JOSS 论文目前正在审稿中，录用
后该论文将成为首选引用来源，sp.citation() 也会同步更新返回 JOSS 条目。
MIT 许可证。见 LICENSE。
GitHub · PyPI · 使用指南 · CoPaper.AI