只做第一步也可以
验证 firm_id × year 唯一性、平衡性与变量变化
保留真实输出或卡点，带到课堂；不要求一次完成全部。W12 · MODELING
面板数据：固定效应与聚类标准误PanelOLS · Within Variation
数字经济研究常见「企业/地区 × 时间」数据。固定效应利用个体内部变化控制不随时间变化的遗漏因素，但仍不是自动的因果识别。
0 / 0 已完成
01
知识范围 · 交互图谱
Know the map before details学完后大致能做到
识别面板数据的实体、时间和观测粒度
比较 pooled OLS 与实体/时间固定效应
解释 within variation 与被吸收变量
使用按实体聚类标准误并陈述识别局限
02
零基础起步
Start small · bring real progress不要等到「全部学会」才开始
先完成最小动作。哪怕没有成功复现，也请保留报错、截图和尝试过程；课堂可以展示卡点、旁听提问，并继续获得积分。
做出核心结果
用合成企业面板比较 pooled OLS、企业固定效应和双向固定效应，采用企业聚类标准误并解释系数变化。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
比较企业与双向聚类标准误
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
验证 firm_id × year 唯一性、平衡性与变量变化
先做 pooled OLS，记录数字化系数与标准误
设置 MultiIndex，用 PanelOLS 加入 EntityEffects，再加入 TimeEffects
按企业聚类标准误，比较三组结果并解释差异来源
检查核心变量的 within variation；明确该实验不能支持的因果结论
Python · linearmodels 双向固定效应
import pandas as pd
from linearmodels.panel import PanelOLS
df = pd.read_csv("firm_panel.csv")
panel = df.set_index(["firm_id", "year"])
model = PanelOLS.from_formula(
"productivity ~ 1 + digital + leverage + EntityEffects + TimeEffects",
data=panel,
)
result = model.fit(cov_type="clustered", cluster_entity=True)
print(result.summary)展示时可拿出的证据
- 面板索引与唯一性检查
- 三种模型的可比结果表
- within variation 统计或图
- 识别假设与局限清单
本机自查清单
03
让 AI 一步一步带你做
Copy this starter prompt循环方式
- 告诉 AI：我是零基础、使用什么系统、当前做到哪一步
- 一次只要一个步骤，先看预期结果再执行
- 把真实输出或报错贴回 AI，不要只说「不行」
- 把验证过的步骤整理回飞书实验报告
- 重复：问 → 做 → 报错 → 修正 → 再做
给 AI 的起步提示词
我是金融学院硕士生，计算机零基础。我正在学习《金融编程与计算》W12，本周目标是：实验 10 · 企业数字化与生产率面板模型。 请把我当作第一次接触这些工具的人，并遵守： 1. 一次只给我一个步骤，不要一次倾倒完整答案。 2. 每一步先用日常语言解释目的，再给可复制的命令或代码。 3. 告诉我正常情况下应该看到什么，以及最常见的一个错误。 4. 如果不知道我的操作系统、目录或安装状态，先问我，不要假设。 5. 等我贴回真实输出或报错后，再判断下一步。 现在只带我完成第一步：验证 firm_id × year 唯一性、平衡性与变量变化
04
问题驱动
这些问题不是课前考试。遇到不懂就问 AI；最后只需能结合自己的操作，说清其中一部分。
为什么企业固定效应后，企业所在地区不变特征可能无法估计？
固定效应控制了哪些遗漏变量，没有控制哪些？
标准误为什么常按企业聚类？
双向固定效应系数由哪类变化提供？
加入更多固定效应一定更好吗？
05
只交一份实验报告
The learning process is the deliverable建议结构
- 本周目标：我想完成什么，以及最后做到哪一步
- 环境：操作系统、软件版本、安装方式与必要依赖
- 操作步骤：按真实执行顺序写出可复制的命令或代码
- 结果：关键输出、截图及我如何判断它是否正确
- 踩坑与克服：现象 → 可能原因 → 实际排查 → 解决办法
- 结论：本周学会了什么，仍有什么没有解决
- 诚实标注：哪些来自 AI 建议，哪些已由本人亲自验证
本周常见坑
- 实体—时间键不唯一
- 把横截面差异误当作实体内部变化
- 加入固定效应后仍解释不随时间变化的变量
- 不说明聚类层级为何合理
不另交 AI 使用记录
只需在实验报告中诚实标注：哪些步骤来自 AI 建议，哪些已经本人验证，哪些仍未验证。学习过程写好，报告就自然产生。
06
课堂时间全部用于验收
No new lecture · public verification两次考勤
上课提前 5 分钟点名，下课前 5 分钟再次点名。
自愿共享屏幕
用本人笔记本打开实验报告，展示真实操作、结果或卡点。
现场复现与双分
作者现场运行；同学也可仅凭该文档复现，作者与复现者都加分。
随机拷问与好问题
教师判断掌握程度；旁听同学可提出被采纳的好问题。
本周可能被问
- 什么是面板数据的粒度？
- 实体固定效应控制什么？
- within variation 是什么？
- 为什么某变量会被吸收？
- 固定效应为何不等于因果识别？
07
本周课堂积分
Same rules every week考勤
上课提前 5 分钟点名，下课前 5 分钟再点名
出勤 +3迟到 +2早退 +2请假 +1旷课 +0
复现
使用 AI 自学，按照教学大纲完成了每周实验任务
成功复现 +1未能复现 +0
拓展
按照教学大纲完成一项或多项拓展任务
多拓展 +2有拓展 +1无拓展 +0
展示
主动共享屏幕展示复现过程，接受核验与拷问
课堂自愿共享屏幕展示 +3无课堂展示 +0
首讲
每节课堂最先自愿开讲的前 3 人
前 3 人 +1
提问
认真旁听并提出被采纳的好问题
被采纳 +0.5
拷问
面对面随机拷问 · 反空心化闸门
空心代工 −1一知半解 +1融会贯通 +2
双分
仅凭文档课堂现场复现
作者与复现者 都 +1
精选
本周最佳文档
知识库 + 席位 + 署名 + 积分 +3
做一点，也算一点
没有完成全部实验，也可以凭考勤、展示卡点、认真提问和真实回答获得积分；做得越扎实，展示、拓展、拷问、双分和精选带来的激励越多。飞书应用展示过去 30 天积分榜与总积分榜。
08
自由拓展与参考资源
拓展挑战
- 比较企业与双向聚类标准误
- 构造滞后变量并讨论机械相关
- 选择数字经济赛道变量做一页研究设计草图