python-panel-data — скилл для Claude Code: анализ панельных данных
Скилл python-panel-data для Claude Code помогает готовить на Python модели фиксированных и случайных эффектов, DiD и таблицы результатов. Анализирует панельные данные.
CC0-1.0 163 установок ★ 675 обновлён 2026-09-26
npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a claude-codeЧто делает python-panel-data
Скилл помогает написать код для анализа панельных данных: загрузить и очистить их через pandas, задать индекс панели и оценить модель с помощью PanelOLS или RandomEffects из linearmodels. Он также помогает интерпретировать коэффициенты и подобрать диагностические проверки. Результаты можно оформить в таблицу или экспортировать в LaTeX.
Перед генерацией кода скилл уточняет единицу наблюдения, идентификаторы панели, переменные, нужные эффекты и способ кластеризации стандартных ошибок. Это важно: при неверных идентификаторах или уровне кластеризации вывод модели может оказаться неуместным. Для работы нужны Python 3.10+ и пакеты pandas, linearmodels, statsmodels; установка пакетов — pip install pandas linearmodels statsmodels.
Какие задачи решает
- оценить модель с фиксированными эффектами для объектов и времени
- провести DiD-анализ панельных данных
- задать кластеризацию стандартных ошибок на нужном уровне
- подготовить таблицу регрессии или экспорт в LaTeX
- проверить панельные идентификаторы и пропущенные значения
Примеры запросов агенту
- Оцени модель с фиксированными эффектами для объектов и лет, кластеризуй стандартные ошибки по объектам.
- Проведи DiD-анализ с эффектами штатов и лет и объясни ключевые коэффициенты.
- Подготовь таблицу результатов панельной регрессии и экспортируй её в LaTeX.
Как установить python-panel-data
1Через Skills CLI (Vercel)
npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a claude-code2Вручную: положить файлы
~/.claude/skills/python-panel-data/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/python-panel-data/
1Через Skills CLI (Vercel)
npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a codex2Вручную: положить файлы
.agents/skills/python-panel-data/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a cursor2Вручную: положить файлы
.cursor/skills/python-panel-data/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install meleantonio/awesome-econ-ai-stuff _skills/analysis/python-panel-data2Вручную: положить файлы
.github/skills/python-panel-data/SKILL.md1Через Skills CLI (Vercel)
npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a gemini-cli2Командой платформы
gemini skills install https://github.com/meleantonio/awesome-econ-ai-stuff --path _skills/analysis/python-panel-dataВручную: положить файлы
.devin/skills/python-panel-data/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о python-panel-data
Как установить python-panel-data в Claude Code?
Выполните npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a claude-code. Файл скилла находится по пути ~/.claude/skills/python-panel-data/SKILL.md.
Что делает python-panel-data?
Скилл помогает писать код на Python для анализа панельных данных: оценивать модели фиксированных и случайных эффектов, проводить DiD и оформлять результаты.
Какие пакеты нужны для работы python-panel-data?
Нужны Python 3.10+ и пакеты pandas, linearmodels и statsmodels. Их можно установить командой pip install pandas linearmodels statsmodels.
Исходный текст
SKILL.md · CC0-1.0
---
name: python-panel-data
description: Panel data analysis with Python using linearmodels and pandas.
workflow_stage: analysis
compatibility:
- claude-code
- cursor
- codex
- gemini-cli
author: Awesome Econ AI Community
version: 1.0.0
tags:
- python
- pandas
- linearmodels
- panel-data
---
# Python Panel Data
## Purpose
This skill helps economists run panel data models in Python using `pandas`, `statsmodels`, and `linearmodels`, with correct fixed effects, clustering, and diagnostics.
## When to Use
- Estimating fixed effects or random effects models
- Running difference-in-differences on panel data
- Creating regression tables and plots in Python
## Instructions
Follow these steps to complete the task:
### Step 1: Understand the Context
Before generating any code, ask the user:
- What is the unit of observation and panel identifiers?
- Which outcomes and regressors are required?
- What fixed effects or time effects are needed?
- How should standard errors be clustered?
### Step 2: Generate the Output
Based on the context, generate Python code that:
1. **Loads and cleans the data** with `pandas`
2. **Sets a MultiIndex** for panel structure
3. **Fits the model** using `linearmodels.PanelOLS` or `RandomEffects`
4. **Outputs results** in a readable table and optional LaTeX
### Step 3: Verify and Explain
After generating output:
- Interpret key coefficients
- Note assumptions (strict exogeneity, parallel trends, etc.)
- Suggest robustness checks (alternative clustering, placebo tests)
## Example Prompts
- "Run a two-way fixed effects model with firm and year effects"
- "Estimate a DiD using state and year fixed effects"
- "Export panel regression results to LaTeX"
## Example Output
```python
# ============================================
# Panel Data Analysis in Python
# ============================================
import pandas as pd
from linearmodels.panel import PanelOLS
# Load data
df = pd.read_csv("panel_data.csv")
# Set panel index
df = df.set_index(["firm_id", "year"])
# Create treatment indicator
df["treat_post"] = df["treated"] * df["post"]
# Two-way fixed effects model
model = PanelOLS.from_formula(
"outcome ~ 1 + treat_post + EntityEffects + TimeEffects",
data=df
)
results = model.fit(cov_type="clustered", cluster_entity=True)
print(results.summary)
```
## Requirements
### Software
- Python 3.10+
### Packages
- `pandas`
- `linearmodels`
- `statsmodels`
Install with:
```bash
pip install pandas linearmodels statsmodels
```
## Best Practices
1. **Always verify panel identifiers** and balanced vs unbalanced panels
2. **Cluster standard errors** at the appropriate level
3. **Check for missing data** before estimation
## Common Pitfalls
- Failing to set a proper panel index
- Using pooled OLS when fixed effects are required
- Misinterpreting coefficients without accounting for fixed effects
## References
- [linearmodels documentation](https://bashtage.github.io/linearmodels/)
- [statsmodels documentation](https://www.statsmodels.org/)
- [Wooldridge (2010) Econometric Analysis of Cross Section and Panel Data](https://mitpress.mit.edu/9780262232586/)
## Changelog
### v1.0.0
- Initial release
© Awesome Econ AI Community · CC0-1.0 · meleantonio/awesome-econ-ai-stuff