StatsPAI – 实证研究中 Stata 和 R 的 Python 原生替代方案

功能简介 – StatsPAI 整合了传统上位于 Stata 或 R 中的大量计量经济学和因果推断工具（例如 regress、ivregress、reghdfe、csdid、rdrobust、synth、psmatch2、esttab）。它通过简洁、Python 原生的 API 重新呈现这些命令，同时保留熟悉的语法和选项（稳健/聚类标准误、vce= 处理、test、lincom、margins 等估计后命令）。该软件包还附带约 1,600 个函数的注册表、内置数据集，以及将表格导出到 Excel、Word、LaTeX 或直接导出到 LLM 智能体的实用工具。

适用人群 – 目前在 Stata、R 和 Python 之间切换使用的实证经济学家、社会科学家或政策分析师。如果您经常编写回归、DiD、RD、合成控制或匹配代码，并且希望在不丢失“Stata 风格”工作流程的情况下留在 Python 生态中，那么这个库就是为您准备的。

主要功能

• Stata 风格 API – 诸如 sp.regress、sp.ivreg、sp.feols、sp.rdrobust、sp.synth、sp.psmatch2 等函数。选项遵循 Stata 约定（vce="robust"、vce="cluster firm"）。
• R 风格等价功能 – 许多函数与 R 包（lm、fixest、did、DoubleML）一一对应。相同的调用适用于两个世界。
• 智能体就绪元数据 – 每个公共函数都注册一个机器可读的模式（sp.describe_function、sp.function_schema）。捆绑的 statspai‑mcp 服务可以将估计器暴露给 Claude Code、Cursor 等。
• 跨语言桥梁 – sp.stata("…", data=df) 运行原始 Stata 代码；sp.from_stata / sp.from_r 将命令转换为 Python API。
• 可扩展附加功能 – 可选依赖项可添加绘图（statspai[plotting]）、高维固定效应（statspai[fixest]）、贝叶斯模型（statspai[bayes]）、神经网络因果模型（statspai[neural]）、JAX 加速（statspai[performance]）和空间分析（statspai[spatial]）。
• 内置数据集 – 14 个离线数据集（Card 1995、LaLonde/NSW、RD 参议院数据等）用于快速演示和验证。
• 结果导出 – sp.regtable 构建一个单一的表格对象，可以打印或保存为 .xlsx、.docx、LaTeX、Markdown 或 HTML。
• 交互式图形编辑器 – sp.interactive(fig) 在 Jupyter 笔记本中提供类似 Stata 的 GUI，用于微调 Matplotlib/Seaborn/Plotly 图形。

工作原理 – 核心库（约 634,000 行）实现了统计估计器、注册表系统以及现有 Python 包（例如 pyfixest、linearmodels、DoubleML、EconML）的轻量封装。验证状态（certified、validated、api_stable）附加到每个函数上，以便用户了解数值输出是否已与 Stata/R 交叉验证。

典型工作流程

import statspai as sp

# 加载内置数据集
card = sp.datasets.card_1995()

# 使用 Stata 风格稳健标准误进行普通最小二乘回归
ols = sp.regress("lwage ~ educ + exper + expersq + black + south + smsa",
                data=card, robust="hc1")
print(ols.summary())

# 估计后检验和边际效应
print(ols.test("educ = 0"))
print(sp.margins(ols, variables=["educ"]))

# 导出包含多个规格的回归表
tbl = sp.regtable(ols, sp.ivreg(...), model_labels=["OLS", "2SLS"])
tbl.to_excel("table1.xlsx")

相同的代码可以从 LLM 智能体调用，智能体可以查询函数模式以发现可用参数。

重要性 – 它降低了将实证工作流程迁移到 Python 的摩擦，保留了研究人员信任的统计惯例（Stata 风格的小样本校正、聚类、估计后命令），并让 AI 助手能够发现这些工作流程。该项目是开源的，经过同行评审（JOSS 2026），由斯坦福 REAP 团队维护。

---

以上所有细节均直接取自存储库的 README；没有推断任何额外功能。