实证研究完整流程与论文复现 Replication Workflow

01 为什么要学复现：复现包是实证研究的"标准答案"

读论文时，我们读到的是一篇被高度压缩的故事：一张主回归表、几张稳健性图、一段文字解释识别策略。但论文从原始数据到那张表之间，藏着几百个决策——哪些观测被删、缺失值怎么填、异常值怎么处理、行业代码如何统一、政策冲击变量怎么构造、固定效应按什么层级加、标准误聚在哪一层。这些决策在正文里通常只占半句话，甚至完全不提。审稿人看不到，读者更看不到。复现包（replication package）就是把这几百个决策全部摊开、写成可重跑的代码和数据。

把复现包当作"标准答案"来学，有三个立刻能拿到的好处。第一，它告诉你一篇顶刊论文在工程上到底长什么样——不是 abstract 里那个抽象的识别故事，而是 main.do 里第 37 行那个 drop if missing(industry)。第二，它是你自己写代码的"范文"：变量命名、文件夹组织、注释风格、log 文件管理、表输出格式，都能直接照抄。第三，复现是训练"识别思维"最快的方式——你必须搞懂每一步为什么这么做，才能改得动它；而改不动，就说明你还没读懂。

反过来说，一个不会复现论文的研究者，写出来的实证几乎一定是脆弱的。因为他没见过"一篇被严格审稿、被公开复现的论文"在工程上有多讲究：从 set seed 到 esttab，从 cd 到 save, replace，每一行都有讲究。本站前面几页讲的是"方法是什么"，这一页讲的是"顶刊的方法是怎么被代码组织起来的"。

02 复现包结构解读

一个规范的复现包，无论作者用 Stata、R 还是 Python，骨架都高度同构。你拿到一个 zip 解压后，应该立刻认出下面这些东西。如果缺了其中任何一个，这个复现包的质量就要打问号。

2.1 顶层结构：README + 主程序 + data/ + output/

打开复现包根目录，第一层通常是：

• README.md / README.txt：入口说明书。写清楚作者、论文标题、期刊、运行环境（Stata 版本 / R 版本 / Python 版本）、外部命令清单、运行顺序、预期运行时间、常见报错。这是你读复现包第一个要打开的文件。
• 主程序（main.do / run_all.do / master.R / run_all.py）：一键从原始数据跑到最终表的脚本。它通常会 cd 到根目录、依次调用各个 do 文件、最后输出表和图。
• code/ 或 do/ 文件夹：拆分好的子程序，通常按"数据清洗 → 描述统计 → 主回归 → 稳健性 → 图表输出"分文件。
• data/raw/ 或 raw_data/：未经任何处理的原始数据。这是你的起点——复现必须从 raw 重新跑到最终表，而不是直接用作者已经洗好的中间数据。
• data/derived/ 或 data/intermediate/：清洗过程中产生的中间数据（合并好的面板、生成的变量、缩尾后的数据）。
• data/analysis/：最终回归用的分析样本。这张表的行数应该和主回归表的 N 对得上。
• output/tables/ 与 output/figures/：最终的 .csv / .xls / .tex 表格和 .png / .pdf 图。
• log/：每次运行留下的日志文件，用来核对输出。

2.2 三层数据：raw → derived → analysis

这是复现包里最重要的分层思想。raw 是只读的，你不允许修改它；derived 是中间过程，可重新生成；analysis 是最终跑回归用的表。一个复现包如果把这三层混在一起——比如直接在 raw 数据上 replace、drop、save, replace——那它几乎一定跑不通，因为你没法重跑，也不知道作者到底删了谁。

对应到论文里：raw 数据是"原始观测"，derived 是"清洗后的中间样本"，analysis 是"最终回归样本"。三者之间每一步删了多少观测，都应该能在代码里数清楚——这就是下一页要讲的"样本构造 flow chart"。

03 如何识别主程序：从 README 到调用链

拿到一个复现包，作者常常给你 20 个 do 文件，你不知道该先跑哪个。识别主程序有三种办法，按可靠性排序：

1. 看 README。规范的 README 会直接写"在 Stata 里运行 do main.do"。如果 README 没写，看下一条。
2. 找名字里带 main / master / run_all / 00_master / setup 的文件。这类文件通常一开头就 clear all、cd 到根目录、set more off、log using，然后一串 do "code/01_clean.do"、do "code/02_merge.do"。
3. 用 grep 搜调用关系。在 Stata 里或用终端 grep -rn 'do "' code/，找出哪个文件被最多文件调用、且它自己不调用别人——它就是叶子节点（最终输出表）；反过来，谁调用了最多文件、自己不被别人调用，谁就是主程序。

找到主程序后，你要在脑子里画出一张调用链图：

main.do
 ├─ 00_setup.do        ← cd, set seed, 安装外部命令, 全局宏
 ├─ 01_clean_raw.do    ← 读 data/raw/*.dta → 清洗 → 存 data/derived/clean.dta
 ├─ 02_merge.do        ← 合并多个 derived → 面板 → data/derived/panel.dta
 ├─ 03_sample.do       ← 筛选最终样本 → data/analysis/final.dta
 ├─ 04_desc.do         ← 描述性统计表 → output/tables/t1_desc.tex
 ├─ 05_main_reg.do     ← 主回归 → output/tables/t2_main.tex
 ├─ 06_robust.do       ← 稳健性 → output/tables/t3_robust.tex
 └─ 07_figures.do      ← 图 → output/figures/fig1.pdf

这张图一旦画出来，你就知道：data/raw 是源头，output/tables 是终点，中间每个 do 文件都是一条加工线。复现失败时，沿着这条线倒查——是哪个 do 文件产生的中间数据出了问题。

04 复现五步走

05 案例：Lane (2025, QJE) "Manufacturing Revolutions"

Lane (2025) 是近年产业政策实证的代表作。这类基于新组装历史微观数据的 QJE 论文，其复现包通常遵循下面的一般模式（具体文件结构以作者在 QJE 补充材料 / 个人主页公开的 replication package 为准）：

• raw 数据层：韩国经济统计年鉴、行业普查（industry census）、企业层面报表、投入产出表（input-output tables）、政策文件档案。这些是作者一手收集、数字化整理的历史数据，是论文最核心的"硬资产"。
• derived 数据层：把不同来源的行业代码统一到同一口径（韩国 SIC → 国际 ISIC），构造行业层面的产出、就业、资本、增加值面板；用投入产出矩阵构造下游/上游 exposure 变量。
• analysis 数据层：以行业 × 年为单位的最终面板，处理变量 = 该行业是否被 HCI targeted（或 exposure 强度），结果变量 = 产出增长、TFP、比较优势指数。
• 识别策略：利用政策在行业间的 cross-sectional 差异 + 时间上的引入/退出事件，类似事件研究（event-study）+ 双重差分思路；并通过 IO 网络把处理效应从直接 targeted 行业传导到下游用户行业。
• 输出层：主回归表（直接效应）、下游溢出表、动态效应图（event-study coefficients over time）、政策结束后的持续性图。

06 常见错误与踩坑清单

错误 1：路径硬编码（Hard-coded paths）

作者在自己电脑上写的 cd "C:/Users/Nathan/Dropbox/HCI/replication"，你拿到后直接跑，必然报错。正确做法：在 main.do 最开头定义一个全局宏：

* 在 main.do 开头，只改这一行
global root "C:/你的路径/Lane2025_replication"
cd "$root"

* 之后所有 do 文件都用 "$root/data/raw/..." 引用路径
* 不要在每个 do 文件里写死自己的电脑路径

错误 2：相对路径错误

主程序里写 do "code/01_clean.do"，这个相对路径是相对于当前工作目录的。如果你手动 do code/01_clean.do 而不是从 main.do 调用，工作目录可能不在根目录，就会找不到文件。永远只从 main.do 跑，不要单独调子程序。

错误 3：随机种子未固定

复现包里如果有 bootstrap、随机分组、随机抽样，却没有 set seed，那你每次跑结果都会不一样——这不是复现错了，是代码本身不可复现。正确做法：主程序第一行就写 set seed 20250801（或作者指定的种子）。如果你自己做扩展，也必须固定种子，否则审稿人无法核对。

错误 4：外部命令版本依赖

作者用的是 Stata 17 + reghdfe v6.x，你装的是最新版 v7.x，语法可能不兼容（例如 absorb() 参数变化）。解决：先按 README 指定版本装；如果 README 没写，跑通后遇到报错，去 ssc describe reghdfe 看版本，必要时降级。自己写新代码时，在 log 开头用 which reghdfe 记录版本号。

错误 5：直接改 raw 数据

新手最常犯：打开 data/raw/industry.dta，发现一个变量名不对，直接 rename 然后 save, replace。从此你再也跑不出作者的结果，因为 raw 被污染了。铁律：raw 只读，所有清洗都在 derived 层做。

错误 6：跳过中间步骤直接跑最终回归

看到 05_main_reg.do 里有一行 use "data/analysis/final.dta"，作者已经把 final.dta 放在包里了，你直接跑这一个文件，"结果对得上"——恭喜你，你什么都没复现。真正的复现必须从 raw 重新生成 final.dta，否则你只是在验证作者存好的那张表，而不是他的代码。

07 完整示例：一个最小复现包的目录树 + 主程序

下面用一个模拟的"某产业政策对企业产出影响"的复现包，演示规范的目录组织和主程序写法。你可以照这个骨架搭自己的项目。

目录树

replication_template/
├── README.md                  # 说明：作者、期刊、运行环境、运行顺序
├── main.do                    # 主程序（一键从 raw 跑到 output）
├── code/
│   ├── 00_setup.do            # 全局设置
│   ├── 01_clean.do            # 清洗 raw → derived
│   ├── 02_merge.do            # 合并 → derived/panel.dta
│   ├── 03_sample.do           # 构造分析样本 → analysis/final.dta
│   ├── 04_descriptive.do      # 描述性统计 → output/tables/t1.tex
│   └── 05_main_reg.do         # 主回归 → output/tables/t2.tex
├── data/
│   ├── raw/                   # 只读，原始下载数据
│   │   ├── firm_raw.dta
│   │   └── policy_raw.dta
│   ├── derived/               # 中间数据（可重生成）
│   └── analysis/              # 最终回归样本
├── output/
│   ├── tables/
│   └── figures/
└── log/                       # 每次运行的日志

main.do（带完整中文注释）

*==============================================================
* 主程序：从 raw 数据一键复现全部表格
* 用法：改下面 global root 为你本机路径，然后 do main.do
*==============================================================
clear all
set more off
set varabbrev off
set seed 20260911                // 固定随机种子，保证可复现

* --- 1. 路径设置（只改这一行）---
global root "C:/Users/你/Projects/replication_template"
cd "$root"

* --- 2. 新建输出文件夹（如不存在）---
capture mkdir "output/tables"
capture mkdir "output/figures"
capture mkdir "log"

* --- 3. 启动日志 ---
capture log close
log using "log/run_$S_DATE.log", replace

* --- 4. 安装并检查外部命令 ---
* （首次运行取消下面注释）
* ssc install reghdfe, replace
* ssc install estout, replace
which reghdfe
which estout

* --- 5. 按调用链依次执行 ---
do "code/00_setup.do"
do "code/01_clean.do"        // raw -> derived/clean_firm.dta
do "code/02_merge.do"        // + policy -> derived/panel.dta
do "code/03_sample.do"       // -> analysis/final.dta
do "code/04_descriptive.do"  // -> output/tables/t1_desc.tex
do "code/05_main_reg.do"     // -> output/tables/t2_main.tex

* --- 6. 完成 ---
display _n "===== 全部跑完，请检查 output/tables/ ====="
log close

03_sample.do（样本构造，演示如何记录 N 变化）

*==============================================================
* 03_sample.do：从 derived/panel.dta 构造最终分析样本
* 每一步都用 count 记录 N，方便做 flow chart
*==============================================================
use "$root/data/derived/panel.dta", clear

* 初始 N
count
scalar N0 = r(N)
display "初始观测: " N0

* 步骤1：只保留制造业
keep if industry_sector == "manufacturing"
count
scalar N1 = r(N)
display "保留制造业后: " N1 " (删了 " N0-N1 ")"

* 步骤2：删除关键变量缺失
drop if missing(output, capital, labor, treat)
count
scalar N2 = r(N)
display "删除关键变量缺失后: " N2 " (删了 " N1-N2 ")"

* 步骤3：缩尾 1%/99%（在组内）
winsor2 output capital labor, cuts(1 99) replace by(year)

* 保存最终分析样本
save "$root/data/analysis/final.dta", replace

* 打印 flow chart
display _n "===== 样本构造 flow chart ====="
display "N0 原始面板:    " N0
display "N1 制造业:      " N1
display "N2 无缺失:      " N2