StatsPAI – 実証研究におけるStata & RのPythonネイティブ代替

概要 – StatsPAIは、従来StataやRに存在する計量経済学および因果推論ツール（例：regress、ivregress、reghdfe、csdid、rdrobust、synth、psmatch2、esttab）をまとめた大規模なコレクションを提供します。これらのコマンドを、慣れ親しんだ構文とオプション（ロバスト/クラスター標準誤差、vce=の扱い、test、lincom、marginsなどの推定後コマンド）を維持しながら、クリーンでPythonネイティブなAPIとして再公開します。さらに、約1,600の関数のレジストリ、組み込みデータセット、表をExcel、Word、LaTeX、またはLLMエージェントに直接エクスポートするユーティリティも同梱しています。

対象読者 – 現在Stata、R、Pythonを切り替えて使用している実証経済学者、社会科学者、政策アナリスト。回帰、DiD、RD、合成コントロール、マッチングなどのコードを頻繁に書き、Stataスタイルのワークフローを失わずにPythonに留まりたい場合は、このライブラリが最適です。

主な機能

• StataスタイルAPI – sp.regress、sp.ivreg、sp.feols、sp.rdrobust、sp.synth、sp.psmatch2などの関数。オプションはStataの慣例に従います（vce="robust"、vce="cluster firm"）。
• Rスタイルの同等機能 – 多くの関数はRパッケージ（lm、fixest、did、DoubleML）と1対1で対応します。同じ呼び出しが両方の世界で機能します。
• エージェント対応メタデータ – すべての公開関数は、機械可読なスキーマ（sp.describe_function、sp.function_schema）を登録します。同梱のstatspai‑mcpサービスを使用すると、推定器をClaude Code、Cursorなどに公開できます。
• 言語間ブリッジ – sp.stata("…", data=df)で生のStataコードを実行。sp.from_stata / sp.from_rでコマンドをPython APIに変換します。
• 拡張可能な追加機能 – オプションの依存関係により、プロット（statspai[plotting]）、高次元固定効果（statspai[fixest]）、ベイズモデル（statspai[bayes]）、ニューラルネットワーク因果モデル（statspai[neural]）、JAX高速化（statspai[performance]）、空間分析（statspai[spatial]）が追加されます。
• 組み込みデータセット – 14のオフラインデータセット（Card 1995、LaLonde/NSW、RD上院データなど）で、簡単なデモと検証が可能です。
• 結果のエクスポート – sp.regtableで、印刷、.xlsx、.docx、LaTeX、Markdown、HTMLとして保存できる単一のテーブルオブジェクトを作成します。
• インタラクティブなグラフエディタ – sp.interactive(fig)で、Jupyterノートブック内でMatplotlib/Seaborn/Plotlyの図を微調整するStataライクなGUIを提供します。

動作原理 – コアライブラリ（約634,000行）は、統計推定器、レジストリシステム、および既存のPythonパッケージ（例：pyfixest、linearmodels、DoubleML、EconML）の薄いラッパーを実装しています。検証ステータス（certified、validated、api_stable）が各関数に付与され、数値出力がStata/Rと相互検証されているかどうかをユーザーが確認できます。

典型的なワークフロー

import statspai as sp

# 組み込みデータセットを読み込む
card = sp.datasets.card_1995()

# StataスタイルのロバストSEを用いた通常最小二乗法
ols = sp.regress("lwage ~ educ + exper + expersq + black + south + smsa",
                data=card, robust="hc1")
print(ols.summary())

# 推定後テストと限界効果
print(ols.test("educ = 0"))
print(sp.margins(ols, variables=["educ"]))

# 複数の仕様で回帰テーブルをエクスポート
tbl = sp.regtable(ols, sp.ivreg(...), model_labels=["OLS", "2SLS"])
tbl.to_excel("table1.xlsx")

同じコードをLLMエージェントから呼び出すことができ、エージェントは関数スキーマを照会して利用可能な引数を発見できます。

重要性 – 実証ワークフローをPythonに移行する際の障壁を下げ、研究者が信頼する統計的慣例（Stataスタイルの小標本補正、クラスタリング、推定後コマンド）を維持し、それらのワークフローをAIアシスタントが発見できるようにします。このプロジェクトはオープンソースで、査読済み（JOSS 2026）であり、スタンフォード大学REAPチームがメンテナンスしています。

---

上記の詳細はすべてリポジトリのREADMEから直接引用したものであり、追加の機能は推測されていません。