社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

AI智能体工作流1小时完成因果推断、文本分析、机器学习!

AI academic space • 9 小时前 • 17 次点击  

顶刊 Science 里程碑论文“Computational Social Science”为计算社会科学的发展奠定了重要基础,使计算方法成为揭示人类经济社会运行规律的重要工具。如今,以 Claude Code、Codex、WorkBuddy 等为代表的AI Agent工具加速发展,正推动计算社会科学与实证研究迎来新一轮智能化变革。
《AI Agent数智实证与计算社会科学训练营》第二期全面升级!将以计算社会科学与经管实证研究为导向,将主流及前沿科研方法封装为可自动调用的 Agent Skill,支持 Claude Code、Codex、WorkBuddy 等主流智能体平台安装使用。 课程系统覆盖机器学习预测、双重机器学习(DML)、因果森林、文本分析NLP、大语言模型变量提取、图像与音频多模态分析、复杂网络分析及ABM多主体仿真等方法。演示《经济研究》《会计研究》《管理世界》及 Strategic Management Journal、Journal of Accounting Research、Management Science 等10+顶刊案例,如何利用 AI Agent 协作打通论文选题、文献综述、数据处理、变量构建、实证分析、结果验证与论文写作全流程,推动从0到1完成顶刊论文核心方法复刻!
特训营预计每月一期,滚动开放,一期学不会,后续可以一直学。课程不强调编程语法和算法推导,重点讲解如何选择、安装、构建和使用我们封装好的科研AI Agent工具实现数据分析方法。同时赠送价值1999的科研代码会员五年版,包含300+科研Skill及200+代码下载使用权限,持续更新。
01
课程概览
课程名称:AI Agent数智实证与计算社会科学训练营-第2期
课程时间:2026年11月28-29日,上午9:30-12:00,下午14:30-17:30(视内容加时)。每月开播,报名首期的后续可返场继续观看。
授课形式:线上直播+课后回放+课程资料+答疑
报名方式:
课程优势:
(1)封装30+常用Skill:选题→综述→数据→计算社科→因果推断→写作,可自动调用执行任务,简单易学。
(2)10+顶刊复现:MS、SMJ、JAR、《管理世界》核心方法复现,目前UTD24/FT50顶刊用的大模型计算社会科学前沿方法均有涵盖。
(3)前沿方法:提供双重机器学习/因果森林/非结构化变量提取/GABM/AI情景实验。
(4)赠价值1999元科研代码库:包含300+科研Skill及200+代码。

02
授课团队

Simon博士,毕业于四川大学,科技公司技术总监,拥有丰富学术大模型开发、大规模数据采集、机器学习、因果推理经验,累计培训“数智实证”学员超1000人次。


03
课程大纲
专题一:AI编程基座与科研智能体(Agent)Skill开发
1.主流AI Agent工具介绍与选择:Codex、Claude Code、WorkBuddy等国内外AI Agent工具特点及使用场景,了解不同AI Agent工具在科研任务中的优势与使用方式。
2.本地Agent与Web端大语言模型协同科研工作模式:介绍本地AI Agent与Web端大语言模型的任务分工与协同模式,构建文献处理、数据分析、代码执行和学术写作相结合的智能化科研环境。
3.AI Agent基本操作:掌握AI Agent的文件读取、任务执行、工具调用、代码运行、结果检查与任务迭代等基本操作。
4.科研Skill体系:什么是Skill,如何安装和调用科研Skill,如何构建个人Skill工具库
5.AI Agent科研工作流与科研AI智能体基本架构:介绍科研智能体的基本架构、任务规划机制、工具调用方式和科研自动化工作流程。
6.单Agent与多Agent协作模式
【实操案例1】搭建个人AI智能体科研环境
Windows/Mac AI智能体安装与科研环境配置;项目目录建立;文献、数据文件读取
【实操案例2】AI选题与诊断智能体构建
基于真实C刊重点选题与文献,实现文献趋势分析、研究缺口识别、候选选题生成与候选选题评价
【实操案例3】AI文献综述智能体构建
实现文献分类、理论梳理、研究方法比较、研究结论整合与文献综述生成
【实操案例4】计量实证因果推断Skill安装与使用
安装皮皮侠自研实证分析Skill 的安装与使用。能够智能判断当前的选题或数据适合使用怎样的计量实证方法,自动给出实证方案和标准框架。

专题二:数值型机器学习与因果推断智能体Skill应用
1.数值型数据分析与机器学习基础原理
  • 介绍机器学习在经济学、管理学和社会科学实证研究中的主要用途,区分预测分析、变量构建和因果效应估计三类研究任务。
  • 理解监督学习的基本原理,区分回归任务与分类任务,掌握特征变量、目标变量、样本、模型和损失函数等基本概念。
  • 掌握结构化数据的基本处理方法,包括缺失值处理、异常值识别、变量标准化、分类变量编码、交互项构建与特征筛选。
  • 介绍训练集、验证集和测试集的作用,理解过拟合、欠拟合、泛化能力和数据泄漏等基本问题。
2.主流机器学习模型的基本原理与方法选择
  • 正则化线性模型: 从普通线性回归出发,介绍Lasso、Ridge和弹性网络的基本原理,理解正则化、变量筛选与模型复杂度控制。
  • 非线性机器学习模型: 介绍支持向量机、决策树等方法,理解非线性关系识别及分类与回归任务中的模型选择。
  • 集成学习模型: 从单棵决策树过渡到随机森林,再介绍梯度提升、XGBoost和LightGBM等方法,理解Bagging、Boosting与集成学习的基本思想。
  • 结合不同数据结构、样本规模和研究目标,比较各类模型的适用场景、主要优势与局限。
3.机器学习模型训练、优化与结果解释
  • 介绍模型训练与验证的完整流程,理解交叉验证、网格搜索、随机搜索、贝叶斯优化和Optuna超参数优化的基本原理。
  • 掌握回归预测模型评价指标,包括MAE、MSE、RMSE、R²,以及分类预测模型评价指标,包括准确率、精确率、召回率、F1、ROC-AUC和混淆矩阵。
  • 介绍模型诊断与解释方法,包括学习曲线、验证曲线、特征重要性、部分依赖图、SHAP和LIME等方法。
  • 理解预测精度与模型解释之间的区别,掌握机器学习模型比较、结果判断与规范化报告的方法。
4.从机器学习预测到因果推断的基本原理
  • 区分相关关系、预测关系与因果关系,理解为什么机器学习预测能力强不代表能够直接识别因果效应。
  • 介绍潜在结果框架、处理变量、结果变量、控制变量、混杂因素和因果识别假设等核心概念。
  • 理解平均处理效应ATE与条件平均处理效应CATE的含义,区分平均因果效应估计与异质性因果效应识别。
  • 介绍机器学习进入因果推断的基本思路,以及双重机器学习和因果森林各自解决的主要问题。
5.双重机器学习DML的核心原理与常用方法
  • 从传统回归中的高维控制变量、模型设定偏差和机器学习正则化偏差问题出发,理解双重机器学习的研究动机。

  • 讲解残差化、Neyman正交化与K折交叉拟合的基本原理,理解DML如何结合机器学习与因果效应估计。

  • 介绍部分线性模型、交互式模型和双重稳健学习,重点掌握LinearDML、SparseLinearDML等常用方法。

  • 理解如何选择Lasso、Ridge、随机森林、梯度提升、XGBoost、LightGBM等算法作为第一阶段学习器。

  • 介绍结果变量、处理变量、控制变量、异质性特征、工具变量和面板分组变量的设定方法,以及ATE、CATE、工具变量处理效应和动态处理效应的估计思路。

  • 介绍DML中的统计推断与稳健性检验,包括异方差稳健、HAC与聚类推断、更换基学习器、调整交叉拟合方案、重叠性检验、安慰剂检验、敏感性分析及多模型比较,并根据估计方法选择适用的推断方式。

6.因果森林与异质性处理效应识别
  • 从平均处理效应ATE过渡到异质性处理效应CATE,理解为什么同一政策或处理对不同企业、地区及群体可能产生不同影响。

  • 从传统决策树、随机森林引入因果树和因果森林,理解预测森林与因果森林在研究目标上的区别。

  • 介绍因果森林与广义随机森林GRF的核心思想,包括样本分割、诚实估计、子样本抽样、局部矩条件与CATE估计。

  • 基于EconML介绍CausalForestDML等方法,理解不同处理变量与工具变量情境下的异质性效应估计。

  • 介绍二元处理、多类别处理、连续处理及工具变量情形下的因果森林建模思路。

  • 讲授CATE预测、平均处理效应汇总、个体处理效应排序、异质性分组、特征重要性分析、解释性因果树,以及处理效应分布、置信区间和分组效应图形的解释方法。

7.数值型机器学习与因果推断Skill一键实现
  • 机器学习预测Skill: 通过自然语言指令自动完成数据清洗、特征筛选、模型训练、交叉验证、参数优化、模型比较、预测结果输出及图表绘制。

  • 双重机器学习Skill: 智能识别研究中的处理变量、结果变量和控制变量,自动配置第一阶段学习器,执行交叉拟合、处理效应估计、统计推断与稳健性检验。

  • 因果森林Skill: 自动完成模型配置、因果森林训练、CATE预测、分组异质性分析、处理效应可视化与结果报告。

  • 模型结果检查: 掌握自动分析结果的检查方法,包括变量设置核验、模型适用性判断、数据泄漏检查、估计结果解释与论文规范化输出。

【实操案例5】构建机器学习Skill自动复现顶刊双重机器学习因果推断部分
调用机器学习和双重机器学习Skill,完成变量设置、交叉拟合、处理效应估计、异质性分析和稳健性检验。
参考文献:王渊,李牧南,梁彦希. 政策取向一致性与企业高质量绿色转型[J]. 《管理世界》,2025,41(07):108-139.
【实操案例6】Skill实现因果森林识别政策效应的群体异质性
调用因果森林Skill估计个体或条件平均处理效应,识别政策对不同企业、地区或群体的差异化影响,回答“政策对谁更有效”
参考文献:Wager S, Athey S. Estimation and inference of heterogeneous treatment effects using random forests[J]. Journal of the American Statistical Association, 2018, 113(523): 1228-1242.

专题三:非结构化数据变量提取Skill应用
1.非结构化数据与实证变量构建的基本原理
  • 介绍非结构化数据在经济学、管理学和社会科学实证研究中的主要应用,理解文本、图像和音频数据与传统结构化数值数据的区别。

  • 讲解非结构化数据变量构建的基本逻辑:原始资料获取 → 数据预处理 → 特征提取 → 指标量化 → 测量质量评价 → 与实证数据匹配。

  • 理解词频、文本主题、语义相似度、视觉特征和声学特征等变量的测量含义,以及如何根据研究问题选择合适的变量构建方法。

  • 介绍非结构化数据的研究单位、变量聚合层级和数据匹配方法,理解如何将文本、图片和音频指标转化为企业、个人或地区层面的结构化实证变量。

2.文本数据预处理与传统文本指标构建方法
  • 介绍文本数据的获取与预处理,包括PDF文字版与扫描版OCR识别、中英文分词jieba/pkuseg/nltk、停用词过滤、词性标注、命名实体识别、正则表达式文本清洗与断句。

  • 从关键词匹配和词频统计入手,讲解词袋模型Bag-of-Words和TF-IDF的基本原理,理解如何通过词语出现频率构建文本指标。

  • 介绍文本可读性指数、文本长度、句子复杂度等文本特征,以及余弦相似度、Jaccard相似度等传统文本相似性测量方法。

  • 讲解LDA主题模型的基本思想,以及如何通过主题权重和篇幅比例构建研究变量。

3. 文本语义分析、机器学习分类与向量化方法

  • 从传统词频方法的局限出发,介绍Word2Vec、Doc2Vec和词嵌入的基本原理,理解词语与文档如何表示为数值向量。

  • 介绍BERT、ERNIE、Sentence-BERT等预训练语义表示模型,理解句嵌入、语义相似度和文本语义匹配的基本思想。

  • 介绍BERTopic主题建模,理解语义向量与传统主题模型的区别。

  • 讲解监督学习文本分类的基本流程,包括人工标注、训练样本构建、文本向量化、分类器训练和模型评价。

  • 比较关键词、词袋模型、TF-IDF、传统机器学习与Embedding方法在文本分类中的适用性。

4. 大语言模型驱动的文本实证变量构建

  • 在传统文本分析与语义表示方法的基础上,介绍GPT、Qwen、DeepSeek等大语言模型进行文本测量的基本原理。

  • 讲解Prompt设计、文本分类任务描述、标签定义、少样本示例、结构化输出和结果解析等方法。

  • 介绍大语言模型在文本情感与情绪指标、主题分类与匹配、实体关系抽取与计量、文本相似度、记录连接和可读性评估中的应用。

  • 比较传统词典方法、机器学习方法、Embedding方法和大语言模型方法在变量构建中的差异。

  • 介绍批量API调用、异步请求、速率控制、Token成本估算与优化等大规模文本处理技术。

  • 情感分析专题:包括情感词典得分、机器学习拟合、LLM 自动判断,理解情感指标的构建逻辑。

5. 图像数据特征提取与实证变量构建

  • 介绍图像数据的基本表示方式,以及图像像素、颜色、纹理、形状与深度视觉特征的测量含义。

  • 讲解图像数据预处理方法,包括格式转换、尺寸标准化、颜色空间变换和数据增强。

  • 介绍颜色直方图、颜色复杂度、纹理特征GLCM、形状特征HOG等传统视觉特征提取方法。

  • 介绍预训练CNN、ResNet等图像模型的特征抽取方法,理解如何利用已有视觉模型构建数值化图像指标。

  • 介绍面部表情特征识别及年龄估计等图像分析任务,理解图像测量指标与实际心理状态、个体属性之间的区别。

  • 介绍图像变量的可视化与解释,包括特征分布图、t-SNE/PCA降维图、注意力热力图和识别结果标注图。

6. 音频数据特征提取与实证变量构建

  • 介绍音频数据的基本原理,理解声音波形、频率、振幅、音高、语速和停顿等声学信息。

  • 讲解音频数据预处理,包括重采样、音频切割、噪声抑制和音量标准化。

  • 介绍短时能量、过零率、频谱特征、MFCC系数、音高与基频F0等声学特征。

  • 介绍语速、停顿、声音变化及语音情感识别等指标构建方法,理解如何将音频特征转化为结构化变量。

  • 讲解波形图、频谱图和声学特征分布图的绘制与解释,以及音频指标在管理者行为、沟通方式和情绪研究中的应用。

7. 非结构化数据指标质量验证与实证数据整合

  • 介绍变量构建中的人工标注、参考标准、抽样复核、测量一致性和指标有效性评价。

  • 讲解文本、图像和音频特征的异常值检测、提取稳定性分析及人工复核。

  • 介绍不同模型、不同提示词和不同提取方法之间的结果一致性比较。

  • 讲解非结构化指标在企业、个人、地区和时间维度上的聚合,以及与面板数据的匹配方法。

  • 介绍如何将构建的变量接入回归分析、机器学习预测、双重机器学习和因果森林模型。

8. 非结构化数据变量提取Skill一键实现

  • 文本变量提取Skill: 自动完成PDF解析、文本清洗、词频统计、TF-IDF、主题识别、情感测量和语义相似度计算。

  • 文本语义与大模型Skill: 自动调用Embedding模型或大语言模型,完成文本分类、语义匹配、变量提取、批量处理与结构化结果导出。

  • 图像变量提取Skill: 自动完成图片预处理、图像特征识别、变量量化、结果标注及论文级图表输出。

  • 音频变量提取Skill: 自动完成音频预处理、声学特征提取、指标计算、可视化及结果导出。

  • 变量质量检查与数据整合: 自动生成测量结果诊断报告、异常值标记和人工复核清单,并将提取结果整理为可用于实证分析的结构化数据集。

【实操案例7】基于文本向量化的招聘数据标准化工作
将招聘数据中的岗位名称与《中国职业大典》中职业细类进行相似度匹配,对比Levenshtein Distance、Sentence-Bert、Embedding 模型的效果
参考文献:刘行,张昊天,田轩.人工智能、人力资本结构与灵活用工——来自在线招聘大数据的经验证据[J].经济研究,2025,60(7):240-260.
【实操案例8】TF-IDF 算法修正词频权重测算高管大数据思维指标
基于上市公司 MD&A文本 ,通过 Gensim 实现 TF-IDF 修正词频权重算法测算高管大数据思维指标
参考文献:唐雪松,廖强,李闻,等.高管大数据思维与企业创新水平——基于机器学习的研究[J].会计研究,2026,(5):107-119.
【实操案例9】大语言模型识别图片表情信息(少量案例数据教学)
使用Skill获取和整理管理者公开图片,利用图像识别模型提取表情和情绪信息,构建管理者情绪变量。
参考文献:Momtaz P P. CEO emotions and firm valuation in initial coin offerings: An artificial emotional intelligence approach[J]. Strategic Management Journal, 2021, 42(3): 558-578.
【实操案例10】音频数据提取CEO抑郁倾向指标(少量案例数据教学)
使用Skill获取和整理管理者公开音频数据,提取声学特征,构建CEO抑郁倾向测量指标。
参考文献:CHENG, S.-Y. and GOLSHAN, N.M. (2025), Silent Suffering: Using Machine Learning to Measure CEO Depression. Journal of Accounting Research, 63: 689-767.

专题四:复杂关系网络分析与多智能体ABM仿真Skill应用
1.复杂关系网络的基本概念与数据构建
  • 介绍复杂网络在经济学、管理学和社会科学中的应用,理解企业供应链网络、国际贸易网络、社会关系网络和信息传播网络等研究对象。

  • 讲解节点、边、方向、权重和网络拓扑等基本概念,区分有向网络、无向网络、加权网络和动态网络。

  • 介绍边列表、邻接矩阵和DataFrame等常见网络数据形式,理解如何将主体之间的关系数据转换为网络。

  • 讲解网络数据预处理,包括实体名称标准化、歧义消除、重复关系处理和关系权重设定。

2. 网络结构分析与节点指标计算

  • 介绍网络整体结构指标,包括网络密度、平均路径长度、聚类系数、网络直径和连通分量等,理解不同指标反映的网络结构特征。

  • 讲解节点中心性指标,包括度中心性、中介中心性、接近中心性、特征向量中心性和PageRank,理解不同中心性指标对应的经济学和管理学含义。

  • 介绍结构洞指数、K-core分解等指标,理解网络中关键节点、桥梁节点和核心群体的识别方法。

  • 讲解网络结构与节点指标的可视化方法。

  • 介绍如何将企业、国家或个体层面的网络指标转换为结构化变量,并匹配到实证研究的面板数据。

3. 社区发现与动态网络分析

  • 从网络整体结构和节点特征过渡到群体结构,理解网络社区、群体聚集和模块化等基本概念。

  • 介绍Louvain、Leiden、Girvan-Newman、标签传播、Infomap和谱聚类等社区发现方法的基本原理与适用场景。

  • 讲解模块度Modularity、轮廓系数Silhouette和社区一致性Conductance等社区结构评价指标。

  • 介绍动态网络分析,包括时间切片网络构建、网络整体指标变化、节点中心性变化和社区归属变化。

  • 讲解社区稳定性、社区分裂与合并、社区生命周期等动态网络分析任务。

  • 介绍时序网络演化动画、社区演化桑基图和节点演化轨迹图等可视化方法。

4. 基于主体的建模ABM与多智能体仿真

  • 从网络形成模型进一步过渡到主体行为与系统动态演化,介绍基于主体的建模Agent-Based Modeling(ABM)的基本原理。

  • 讲解ABM模型的核心组成,包括主体Agent、个体属性、行为规则、交互网络、环境状态和时间演化机制。

  • 介绍从传统规则驱动ABM到生成式智能体仿真GABM、社会智能体仿真SABM的基本思路,理解大语言模型在主体决策与行为模拟中的作用。

  • 介绍如何构建具有不同属性、行为规则和交互机制的多主体仿真环境,以及如何设定仿真参数和开展重复模拟。

  • 讲解多主体情景实验、博弈论实验、社会系统模拟、社交网络信息传播和群体行为演化等应用场景。

  • 结合复杂关系网络,分析不同网络结构、主体行为规则和交互机制如何影响信息传播、合作行为与系统演化。

  • 介绍仿真结果的稳定性检验、敏感性分析、情景比较和可视化方法,理解模拟结果与真实世界因果证据之间的区别。

5. 复杂网络分析与ABM仿真Skill一键实现

  • 网络构建与指标计算Skill: 通过自然语言指令读取关系数据,自动构建网络、计算整体结构指标和节点中心性,并生成网络可视化图形。

  • 社区与动态网络分析Skill: 自动完成社区发现、动态网络构建、节点演化追踪、社区变化识别及可视化。

  • ABM多主体仿真Skill: 通过自然语言指令配置主体属性、行为规则、网络结构和情景参数,自动完成多轮仿真、情景比较、结果汇总与可视化。

  • 网络变量与仿真结果输出: 将网络结构指标匹配至实证研究数据,并导出仿真结果、统计图表及规范化分析报告。

【实操案例11】上市公司供应链网络构建
从供应链关系数据构建有向网络 → 计算中心性、网络密度和结构洞 → 识别关键节点 → 将网络指标匹配到上市公司面板数据。
参考文献:陈雯,范茵子. 企业供应链风险感知与合作关系稳定性[J]. 《管理世界》,2024,40(11):209-228.
【实操案例12】基于ERGM的国际贸易网络分析
从UN Comtrade贸易数据清洗 → 网络构建→ 可视化→ 计算中心性、网络密度,识别关键节点,到最终用ERGM分析“什么驱动国家间贸易”
参考文献:Jang, Y., & Yang, J.-S. (2022). The dynamics of the EU's nuclear trade network: An ERGM analysis.Structural Change and Economic Dynamics, 63, 470-477.
【实操案例13】智能体模拟社交网络中的虚假信息传播
参分析错误信息在智能体构成的网络中传播时的演变过程。
参考文献:Maurya, R. G., Shukla, V., Dandekar, R. A., Dandekar, R., & Panat, S. (2024). Simulating misinformation propagation in social networks using large language models. arXiv. 

专题五:从0到1的顶刊论文复刻与多智能体协作实战

1. 从零开始的顶刊论文复刻流程与任务拆解

  • 选择目标顶刊论文,拆解研究问题、理论假设、研究设计、数据来源、变量构建方法和核心实证模型。

  • 从零搭建论文复刻项目,完成科研环境配置、项目目录建立、原始数据获取、文件整理与复刻任务规划。

  • 根据目标论文的研究方法,调用前面专题学习的机器学习、因果推断、非结构化变量提取或网络分析Skill,构建完整复刻技术路线。

  • 以原论文的主要结果为基准,明确核心变量、回归模型、识别策略、关键表格及图形的复刻目标。

2. 多智能体协作完成完整论文实证分析流程

  • 介绍多智能体如何分工协作完成从选题到论文复刻的完整科研任务,实现论文选题 → 文献综述 → 数据获取 → 数据处理 → 变量构建 → 因果估计 → 结果检验 → 自动写作。

  • 根据复刻任务设置文献研究Agent、数据处理Agent、变量构建Agent、实证分析Agent和论文写作Agent,构建协同科研工作流。

  • 通过Skill组合调用,实现跨任务的数据衔接、代码执行、结果检查与自动化分析。

3. 论文复刻结果验证与科研成果输出

  • 将复刻结果与原论文中的核心回归结果、变量指标、图表及实证结论进行对照。

  • 对复刻过程中出现的样本差异、变量偏差、模型设定差异及估计结果差异开展诊断。

  • 自动整理变量构建代码、实证分析脚本、模型结果、统计图表及结果解释,形成可复核的论文复刻成果。

  • 在完成核心结果复刻的基础上,探索研究方法迁移、模型替换和扩展分析。

【实操案例14】基于LLM+ERNIE 模型测度企业数字化转型
操控 Agent 提取年报特定片段构建训练数据,并通过 AI 进行数据标注+人工金标准量化 AI 标注准确率,从而训练本地 ERNIE 模型测度企业数字化转型指标。
参考文献:金星晔,左从江,方明月,等.企业数字化转型的测度难题:基于大语言模型的新方法与新发现[J].经济研究,2024,59(3):34-53.
【实操案例15】智能体复刻顶刊核心实证方法
Management Science上关于中国制造企业服务化转型的论文。变量构建方面,利用GPT模型从年报文本中提取服务类型指标;因果推断方面,实证检验服务化转型对供应链牛鞭效应的影响。
参考文献:Niu, Y., Wu, J., Jiang, S., et al. (2025). The bullwhip effect in servitized manufacturers. Management Science, 71(1), 1-20.
大礼包:300+科研全场景智能体Skill

赠送价值1999的科研代码会员五年版,并教学如何使用这些代码和Skill。【科研代码库】用大语言模型、AI智能体Skill革新科研数据分析主流方法。将 DID、PSM、断点回归、时间序列、BERT 微调、LLM 文本标注等常用方法整理为可运行、可复现、可修改的200余份标准代码。并包含 300+高效教学及科研常用方法的Skill:

  • 论文写作skill:论文写作、题目拟定、摘要写作、引言写作、理论框架、概念界定、英文学术写作、学术语言润色

  • 文献研究skill:文献检索、检索式设计、系统性综述、元分析、文献计量、科学知识图谱、研究热点识别、研究空白识别

  • 研究设计skill:研究设计、研究范式、研究问题、变量操作化、量表开发、实验设计、因果识别、内生性处理

  • 基金/项目skill:基金项目、基金申报、项目选题、科学问题凝练、技术路线、结项报告

  • 数据采集skill:数据采集、问卷调研、深度访谈、田野调查、微观调查数据库、多模态数据、社交媒体数据

  • 数据处理skill:数据清洗、缺失值插补、异常值处理、数据匹配、实体消歧、文本预处理、数据脱敏

  • 数据分析(计算社会科学)skill:回归、面板模型、工具变量、双重差分 DID、合成控制法、倾向得分匹配、因果推断、中介/调节效应、Bootstrap、稳健性/安慰剂检验、结构方程、机器学习、深度学习、随机森林、梯度提升、支持向量机、双重机器学习、因果森林、大语言模型、文本分析 NLP、主题模型、词向量嵌入、信息抽取、社会网络分析/复杂网络、空间计量、地理加权回归、贝叶斯分析、知识图谱、QCA、综合评价/DEA、投入产出、ABM 建模、系统动力学、数据可视化等

  • 质性研究skill:质性研究、扎根理论、编码分析、话语分析、民族志、过程追踪

  • 混合方法skill:混合方法、三角互证、联合展示表

  • 投稿发表skill:投稿发表、目标期刊筛选、审稿意见回复、预印本发布

04
课程报名
课程价格
  • 3人拼团价:1699元/人
  • 原价:2499元/人
可按照实际支付金额开具电子发票
价格包含:直播课程+录播回放+课程资料+课程答疑(仅开课前支付能进答疑群)
如有以下优惠,购买前找客服领取优惠券。
(1)优惠一
普通用户转发本推文到朋友圈/皮皮侠数据会员,私聊客服可获八折优惠券。
(2)优惠二
尊享版超级课程会员可在直播结束后免费学习此录播课程;如需直播+答疑+录播,超级课程会员可折扣购买该课程;
扫码成为超级课程会员

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/203576