К основному содержанию
скилл CX Codex

econometric-diagnostics — скилл для Claude Code: проверки VAR

Скилл econometric-diagnostics для Claude Code проверяет остатки и адекватность VAR/BVAR после оценки модели или по запросу проверить автокорреляцию, гетероскедастичность, нормальность и структурные сдвиги.

Apache-2.0 ★ 89 обновлён 2026-11-12

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add bis-med-it/marco-BIS --skill econometric-diagnostics -a claude-code
Открыть на GitHub

Что делает econometric-diagnostics

Скилл проверяет остатки VAR/BVAR и формирует диагностику модели. Встроенный набор включает тесты Льюнга — Бокса, Жарка — Бера и ARCH-LM по уравнениям, оценку устойчивости по максимальному модулю собственного значения и сравнение выбора лага по AIC, BIC и HQ.

Дополнительные проверки, например тесты Грейнджера и CUSUM, запускаются отдельно, когда они нужны. Их результаты и рекомендации попадают в журнал; стандартная таблица отчёта показывает сокращённый набор полей. Экономические аномалии, такие как неверный знак отклика, относятся к следующему этапу, а не к этой статистической проверке.

Метка «нестационарная / неустойчивая» при корне около единицы не означает автоматического отклонения модели: для систем в уровнях сжимающий prior может давать такую динамику. Скилл предписывает отдельно оценить отклики и раскрыть классификацию.

Какие задачи решает

  • проверить остатки уравнений VAR на автокорреляцию
  • выявить условную гетероскедастичность тестом ARCH-LM
  • оценить нормальность остатков по уравнениям
  • сравнить выбор числа лагов по AIC, BIC и HQ
  • проверить устойчивость системы по собственным значениям

Примеры запросов агенту

  • Проверь остатки VAR на автокорреляцию, гетероскедастичность и нормальность.
  • Оцени устойчивость модели и сравни рекомендуемые лаги по AIC, BIC и HQ.
  • Проведи диагностику остатков и проверь модель на структурные сдвиги.

Как установить econometric-diagnostics

1Через Skills CLI (Vercel)

npx skills add bis-med-it/marco-BIS --skill econometric-diagnostics -a claude-code

2Вручную: положить файлы

~/.claude/skills/diagnostics/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/diagnostics/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы об econometric-diagnostics

Как установить econometric-diagnostics в Claude Code?

Выполни npx skills add bis-med-it/marco-BIS --skill econometric-diagnostics -a claude-code. Файл скилла находится по пути ~/.claude/skills/diagnostics/SKILL.md.

Что делает econometric-diagnostics?

Скилл проверяет остатки и устойчивость моделей VAR/BVAR, а также сравнивает варианты числа лагов. Дополнительные тесты можно запускать отдельно.

Как скилл оценивает устойчивость VAR в уровнях?

Корень около единицы в системе в уровнях не считается автоматическим основанием отклонить модель. Нужно оценить динамику откликов и раскрыть классификацию устойчивости.

Исходный текст

SKILL.md · Apache-2.0
---
name: econometric-diagnostics
description: >
  Residual diagnostics and model adequacy checks for VAR/BVAR models. Use when the
  orchestrator reaches the diagnostics step of Stage 4 (estimation), whose results
  feed the Stage 5 sensibility check, or when the user asks to check residuals,
  test for autocorrelation, heteroskedasticity, normality, or structural breaks.
---

# Econometric diagnostics

## Tests performed

**Built-in bundle.** `lib.diagnostics(fit)` provides:

- per equation: Ljung-Box (one or more lags), Jarque-Bera and ARCH-LM;
- system level: the maximum companion-matrix eigenvalue modulus, with a
  status label (stability);
- an AIC/BIC/HQ lag-order comparison: it refits an OLS VAR at
  p = 1..`max_lag_search` and reports which p each criterion picks.

The other tests below are marked *additional*. They are not part of the
built-in bundle; the agent can run them separately (e.g. via statsmodels)
when the question calls for them.

### Residual-level diagnostics

For each equation in the VAR system:

1. **Autocorrelation.** Ljung-Box test at lags 4, 8, 12 (quarterly) or 6, 12, 24 (monthly).
   (`lib.diagnostics(fit, lb_lags=[...])` computes all requested lags in one
   call; the report's diagnostics table labels each row with the lag actually
   used.) *Additional:* Breusch-Godfrey LM test for the system.
2. **Heteroskedasticity.** ARCH-LM test (Engle, 1982) to detect conditional
   heteroskedasticity. *Additional:* White test for unconditional
   heteroskedasticity.
3. **Normality.** Jarque-Bera test per equation. *Additional:*
   Lomnicki-Jarque-Bera for the system.
   Note: non-normality is common in macro data and is not a reason to reject the model
   unless extreme.

### System-level diagnostics

1. **Stability.** Companion matrix eigenvalues. Report the maximum root and classify the dynamics as stationary (below 1),
   unit-root (at 1 within sampling error) or explosive (above 1). Apply the
   declared model-class and replication criteria consistently, treat
   near-unit-root sampling uncertainty as a disclosed diagnostic, and do not
   certify stability from finite-horizon plots.
   (`lib.diagnostics` reports the maximum modulus; plotting the eigenvalues
   on the unit circle diagram is an additional step.)
   **Arbitration for LEVELS systems:** `lib.diagnostics` labels any
   max |eig| ≥ 1.0 "non-stationary / unstable", but a VAR in log-levels
   (or with a random-walk Minnesota prior) legitimately sits at or just
   above the unit circle; several canonical replications validate
   against an expected band like 1.0 ± 0.05. Reconcile in this order:
   (i) does the spec intend unit-root-like persistence (levels +
   shrinkage)? then near-1 is expected, not a failure; (ii) apply the
   Stage-5 standard for the IRFs: responses to transitory shocks should
   die out and responses to permanent shocks flatten to a finite limit;
   growth at long horizons is a failure signal, but a flat-looking response
   within a finite horizon does not show that a root above one is stable;
   (iii) treat the lib label as a prompt to run checks (i)-(ii) and to
   disclose the classification, never as an auto-reject or an auto-pass.
2. **Lag-order comparison.** AIC, BIC and HQ picks across p = 1..`max_lag_search`
   (built in; a pick that differs from the fitted p is listed in the warnings).
3. **Granger causality** (*additional*). Wald tests for block exogeneity.
   Useful for interpreting the system structure.
4. **Lag exclusion** (*additional*). Joint significance of each lag across all equations.
5. **Set-identified models: acceptance rate.** For sign/zero-restriction
   schemes, track accepted draws / attempts against the canonical run or
   the entry's expected range (the Uhlig replication validates ~0.06 ±
   0.04). Low acceptance or a missed `target_accepted` quota is a
   computational and precision warning. Acceptance depends on the number of
   variables, the restrictions, the proposal measure and the sampler, so
   compare like with like, inspect the accepted and effective draw counts,
   and check stability separately. Do not infer invalid restrictions from a
   universal acceptance threshold, and do not silently report results from
   too few accepted draws.

### Structural break detection (optional, additional)

1. CUSUM and CUSUM-of-squares tests.
2. If the sample is long, consider a split-sample stability check at known break dates
   (e.g., 1979Q4 for Volcker, 2008Q3 for GFC).

**Scope note: statistical vs economic anomalies.** This skill covers the
statistical gate. *Economic* anomalies (price puzzle, wrong-signed
responses, implausible magnitudes) are Stage-5 territory: the remedy
ladder lives in `skills/specification/SKILL.md` §"Iterative revision after
failed sensibility checks". Go there, not here, when the numbers are
statistically clean but economically wrong.

## Output format

**For the research log**, record `lib.diagnostics(...).to_log_dict()`, plus
any additional tests run separately and the agent's recommendation:

```
diagnostics:
  residuals:                                  # keyed by variable name
    M1:
      ljung_box: {4: {stat, p_value}, 8: ..., 12: ...}   # keyed by lag
      jarque_bera_stat, jarque_bera_pvalue
      arch_stat, arch_pvalue
      breusch_godfrey: {stat, p_value}        # additional; only if run separately
  stability: {max_eigenvalue_modulus, stable: bool, status}   # status: stationary | marginal (near unit root) | non-stationary / unstable
  lag_selection: {current_p, max_lag_search, aic_recommended, bic_recommended, hqic_recommended}
  portmanteau: {stat, p_value, lags}          # additional; only if run separately
  eigenvalues: list of complex numbers        # additional; only if run separately
  warnings:                                   # lib.diagnostics(...).warnings
    - "Autocorrelation detected in M1 equation at lag 4 (p=0.02)"
    - "ARCH effects in GNP deflator equation"
  recommendation: "Consider increasing lag order or adding conditional heteroskedasticity"   # written by the agent; not a lib field
```

**For the report**, do not build the table by hand.
`VARReport.add_standard_sections` passes the fit's `DiagnosticReport`
through the report layer's adapter (`_build_diagnostics_dict_from_report`
in `scripts/lib/report.py`). A direct call to `VARReport.add_diagnostics`
takes a reduced view, keyed by variable name with numeric Ljung-Box lags:

```yaml
per_equation:
  M1:
    ljung_box:
      4: {p_value: 0.30}
      8: {p_value: 0.40}
    arch_lm: {p_value: 0.50}
    jarque_bera: {p_value: 0.60}
system:
  stability:
    max_eigenvalue_modulus: 0.90
    note: stationary
```

Additional tests, warnings and recommendations stay in the log; the report
table shows only these fields.

## Propose → confirm (handing back to Stage 5 / Stage 4)

When presenting results to the user, lead with whether the model passes or
fails in plain language. Diagnostics never silently re-specifies the model. On a **critical** failure
(instability, or severe autocorrelation indicating misspecification):

1. **State the failed test in plain language** and why it matters economically,
   e.g. "the companion matrix has a root at 1.02, so the VAR is explosive and
   impulse responses won't die out."
2. **Propose one specific remedy with rationale**, drawn from the usual levers
   (+1 lag, reorder / add a variable, tighten the prior, shorten the sample),
   e.g. "I propose adding a 5th lag; the Ljung-Box failure at lag 4 points to
   unmodelled own dynamics."
3. **Wait for the user to confirm or override** before routing back to Stage 4
   for re-estimation. (The orchestrator's 5-iteration automatic budget covers
   only implementation/data-error fixes and pre-specified statistical rules;
   economically substantive revisions like this one are each gated.)

For **soft** warnings (mild non-normality, marginal ARCH), state them and
recommend proceeding; don't block. Either way the flag and its disposition are
logged via the research-log skill. Never auto-respecify without surfacing the
choice. This is design principle 3 (active suggestion, human confirmation)
applied to diagnostics.

© bis-med-it · Apache-2.0 · bis-med-it/marco-BIS

Похожие скиллы

Каталог скиллов SKILL.md →
cargo-diagnostics getcargo Скилл cargo-diagnostics для Claude Code, который разбирает, почему прогон Cargo упал или потратил лишние кредиты. Трассирует шаги, группирует ошибки батча по причинам и раскладывает расходы по узлам. CX Codex +1 10 400установок cmux-diagnostics manaflow-ai Скилл cmux-diagnostics запускает проверку cmux: сокеты, хуки, восстановление сессий, настройки. Используй, когда уведомления не приходят, агент не возобновляется или нужна отчёт о здоровье системы. CX Codex +1 6 700установок google-ads-api-account-diagnostics официальный google-ads-api-team google-ads-api-account-diagnostics — скилл для Claude Code, который ищет причины падения конверсий, потока лидов и доли показов. Он проверяет ограничения ставок и бюджета. CX Codex +1 5 508установок build-perf-diagnostics dotnet Скилл build-perf-diagnostics для Claude Code разбирает узкие места сборки MSBuild по бинарному журналу и сводкам времени целей и задач. Ищет причины медленной сборки после снятия базовых показателей. CX Codex +1 4 600установок metric-diagnostics официальный Data Analytics Maintainers Скилл metric-diagnostics выясняет, почему метрика изменилась, отклонилась от ожиданий или расходится между источниками. Подходит для разбора аномалий и разрывов. CX Codex GP ChatGPT +1 4установок error-diagnostics-smart-debug sickn33 Скилл error-diagnostics-smart-debug разбирает сбои по шагам воспроизведения, трассировкам, логам и коду, затем помогает проверить гипотезу и зафиксировать исправление. CX Codex +1 1установок

Из того же набора12

Весь набор →
consistency-audit Скилл consistency-audit для Claude Code проверяет согласованность навыков, библиотечного кода и словаря проекта. Запускается по запросу, перед релизом или после серии правок. CX Codex +1 ★ 89звёзд репо advisor-protocol Скилл advisor-protocol для Claude Code передаёт сложные математические выводы на проверку более способной модели. Он подключается, когда агент сомневается в переводе формул в код или трактовке обозначений. CX Codex +1 ★ 89звёзд репо model-selection Скилл model-selection для Claude Code подбирает эконометрическую модель под исследовательский вопрос и доступные данные. Запускается, когда нужно выбрать подход или проверить уже выбранную модель. CX Codex +1 ★ 89звёзд репо research-log Скилл research-log для Claude Code ведёт журнал решений и этапов эконометрического анализа. Он подключается после завершения этапа другим скиллом MaRCo@BIS или по запросу на аудит, воспроизводимость либо сводку сессии. CX Codex +1 ★ 89звёзд репо knowledge-base Скилл knowledge-base для Claude Code согласует общие эконометрические знания агента с данными и правилами конкретной страны. Он подключается при настройке анализа или работе с местными источниками и исследованиями. CX Codex +1 ★ 89звёзд репо model-dictionary Скилл model-dictionary для Claude Code подбирает эконометрические спецификации по научной литературе. Агент ищет подход к исследовательскому вопросу или разбирает новую статью для словаря. CX Codex +1 ★ 89звёзд репо benchmarking Скилл benchmarking для Claude Code проверяет качество прогнозов и корректность результатов оценки. Запускается по запросу после расчёта модели или при подготовке результатов к публикации. CX Codex +1 ★ 89звёзд репо results-presentation Скилл results-presentation для Claude Code, который оформляет эконометрические результаты в графики, таблицы и текстовую интерпретацию. Запускается на этапе подготовки отчёта или по просьбе показать результаты и подготовить их к публикации. CX Codex +1 ★ 89звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой