К основному содержанию
скилл CX Codex

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

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add meleantonio/awesome-econ-ai-stuff --skill python-panel-data -a claude-code
Открыть на GitHub

Что 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-code

2Вручную: положить файлы

~/.claude/skills/python-panel-data/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/python-panel-data/

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

Похожие скиллы

Все скиллы по теме «Данные и базы» →
data-jupyter-python Mindrally Скилл data-jupyter-python задаёт агенту правила работы с pandas, numpy, matplotlib и seaborn: векторизация вместо циклов, воспроизводимые ноутбуки, аккуратные графики. CX Codex +1 913установок data-analysis lingzhi227 Скилл data-analysis пишет код статистического анализа данных для статьи: подбирает тест под тип данных и добавляет p-values, размеры эффекта и доверительные интервалы. CX Codex +1 2 100установок data-analysis-jupyter Mindrally Скилл data-analysis-jupyter задаёт правила для анализа данных, построения графиков и оформления блокнотов Jupyter с помощью pandas, numpy, matplotlib и seaborn. Помогает писать воспроизводимый код без лишних циклов. CX Codex +1 1 600установок tooluniverse-data-wrangling mims-harvard Скилл tooluniverse-data-wrangling для Claude Code задаёт правила выгрузки и обработки научных данных через Python в Bash. Переключает агента на код для пакетных выгрузок, тысяч строк и редких форматов. CX Codex +1 245установок ifc-data-extraction datadrivenconstruction Скилл ifc-data-extraction извлекает структурированные данные из IFC-файлов через IfcOpenShell: элементы, количества, свойства, пространственные связи. Нужен Python 3 и IfcOpenShell в PATH. CX Codex +1 195установок data-scientist Seth Hobson Субагент data-scientist для Claude Code анализирует данные, строит статистические модели и помогает с задачами машинного обучения. Подключается к запросам на исследование данных, прогнозирование и проверку гипотез. CX Codex 3 342установок

Из того же набора12

Весь набор →
r-econometrics Скилл r-econometrics помогает строить эконометрические модели в R с проверкой допущений, робастными ошибками и таблицами для публикаций. Пригодится при оценке причинно-следственных связей. CX Codex +1 340установок beamer-presentation Скилл beamer-presentation собирает академические презентации в LaTeX Beamer: от структуры доклада до слайдов с темами, графиками и таблицами. CX Codex +1 285установок lit-review-assistant Скилл lit-review-assistant структурирует обзор экономической литературы, формирует поисковые запросы и шаблоны разбора статей. Помогает найти пробелы в исследованиях при подготовке научной работы. CX Codex +1 241установок api-data-fetcher Скилл api-data-fetcher для Claude Code получает экономические показатели через FRED, World Bank и другие API. Загружает данные для обновляемых расчётов и панельных датасетов. CX Codex +1 208установок econ-visualization Скилл econ-visualization генерирует академические графики и диаграммы для экономических статей в R и Python с готовыми командами экспорта. CX Codex +1 202установок research-ideation Скилл research-ideation помогает экономистам превращать наблюдения, парадоксы и наборы данных в проверяемые исследовательские вопросы. Пригодится на старте диссертации или при анализе мер экономической политики. CX Codex +1 196установок latex-econ-model Скилл latex-econ-model генерирует теоретические разделы экономических статей в LaTeX со стандартными обозначениями, задачами оптимизации и уравнениями равновесия. CX Codex +1 147установок latex-tables Скилл latex-tables для Claude Code создаёт публикационные таблицы LaTeX для регрессионных результатов и описательной статистики. Оформляет результаты анализа по стандартам академических журналов. CX Codex +1 128установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой