--- name: econometrics-phd-level description: | PhD-level econometrics skill distilled from a 12-lecture Korean series (수학없는 쉬운 계량경제학, 2026-03-11 to 2026-04-29). Progressive Disclosure router covering OLS mechanics & OVB, exogeneity assumption hierarchy, inference (SE/t/p/CI), multicollinearity, dummies & interactions, polynomial/log functional forms, panel data with fixed effects, IV/2SLS/GMM, Difference-in-Differences (DiD), Regression Discontinuity (RD), MLE/Logit/Probit, and STATA command interpretation. Triggers on any of these topics, on specific lecture dates (260311~260429), or on the lecturer's signature analogies (taste/맛 analogies, Gangbuk-Gangnam metaphor, 단물 sweetness extraction). The body is a decision tree; actual derivations, examples, and STATA code load from references/*.md. author: jayjeo homepage: https://github.com/jayjeo/econometrics-phd-level-skill license: MIT category: econometrics workflow_stage: learning tags: - econometrics - regression - OLS - panel-data - IV - DiD - RDD - MLE - logit - STATA - causal-inference - korean-lecture version: 1.0.0 --- # Easy Econometrics (Korean Lecture Series) — Router 이 skill은 한국어 12편 강의 시리즈 **'수학없는 쉬운 계량경제학'**(2026년 3월 11일 ~ 4월 29일)의 분석·요약·재설명을 돕는 Progressive Disclosure 라우터다. 본문은 의사결정 트리이며, 실제 정의·식·STATA 코드·강의자 비유의 본문은 모두 `references/*.md` 에 위임한다. Claude는 사용자의 질문 키워드에서 가장 가까운 references 파일 1~3개를 골라 그 파일만 읽고 답해야 한다. ## When to Use 다음 중 하나라도 해당하면 이 skill 을 호출하라. 1. 사용자가 이 시리즈의 특정 회차(`260311`, `260313`, `260316`, `260318`, `260323`, `260401`, `260408`, `260410`, `260414`, `260415`, `260420`, `260429`) 또는 그 강의에서 다룬 주제를 언급할 때. 2. 시리즈에 등장한 표준 데이터셋(`auto.dta`, `card.dta`, `R_data9_1.dta`, `R2.dta`, `grunfeld.dta`, `mus207mepspresdrugs`, `RD.dta`, `panelf3.dta`, `nlswork.dta`)을 언급할 때. 3. 다음 토픽 키워드가 등장할 때: 회귀분석, 단순/다중회귀, OLS, argmin Σε², 행렬 닫힌형, 상수항/noconstant, 외생성/직교, 표준오차/t값/p값/신뢰구간, R², 다중공선성/풀랭크, 더미변수/트랩, 상호작용/교차항, 패널/고정효과/xtreg/vce(robust), 도구변수/IV/2SLS/GMM, DiD/이중차분/사전평행추세/이벤트 스터디, RD/회귀단절/cutoff/placebo, 다항식/로그/DGP/탄성, MLE/최우추정/로짓/프로빗, LPM. 4. 사용자가 강의자 비유(맛 비유, 단물, 강북-강남, 마티즈/에쿠스, '아쉽게/재수 좋게', 찌그러진 동전, 3인방)나 호명한 학자(David Card, David Lee, Card-Krueger, Cameron & Trivedi, KCTDI 매뉴얼)를 언급할 때. 5. 사용자가 시리즈 전체의 페다고지 패턴, 누적 흐름, 강의자 화법, 흔한 오해 카탈로그를 묻거나, 한 회차의 narrative 요약을 요청할 때. 이 skill 은 한국어 강의 도메인에 특화된 라우터다. 일반적인 영어 계량 질문(예: 'how to run feols in R')은 이 skill 보다 `r-econometrics` 또는 `regression-modeling` skill 이 더 적합하다. ## Topic Index references/ 디렉터리의 15개 파일. 각 파일은 1500~2500단어이며 첫 문단이 한 문장 정의로 시작한다. - **`references/regression-basics-and-ovb.md`** — 회귀분석의 좌표 직관, 산점도, 단순회귀와 다중회귀, mpg-price 부호 반전을 통한 누락변수 편향(OVB) 메커니즘, auto.dta 표준 시연. 시리즈 진입점. - **`references/correlation-vs-causation.md`** — 시리즈 전체의 메타 메시지 '상관 ≠ 인과'. KCTDI 매뉴얼의 내생성 4분류(OVB·역인과·측정오류·선택편향), David Card 호명, 인과 ⊂ 상관 다이어그램. - **`references/ols-mechanics-and-matrix-form.md`** — β̂=argmin Σε² 정의식과 행렬 닫힌형 β̂=(X'X)⁻¹X'y, n=3 가상 DGP 손계산, STATA·Python·Microsoft Mathematics 멀티-도구 일치 검증, 표본 직교 X'ê=0으로부터의 자기완결적 도출. - **`references/intercept-and-noconstant.md`** — 상수항 β₀를 '항상 1인 보이지 않는 설명변수'로 재정의, _cons의 기하학, STATA noconstant 옵션이 mpg 계수 부호를 -238.89→+253.63으로 반전시키는 시연. - **`references/exogeneity-assumption-hierarchy.md`** — 외생성/직교성 가정의 3단계 위계(독립 ⊃ 평균조건부 독립 ⊃ 직교), 단물 비유, 패널의 Strict Exogeneity 강화, 강의자 자기교정('독립 → 직교') 패턴, 가정은 약할수록 좋다는 메타 명제. - **`references/inference-se-t-p-ci.md`** — 회귀계수의 표본분포 직관, SE·t값·신뢰구간(0 포함 여부), p값='임계 유의수준' 통찰, set level 시연, '유의(有意)' 어원, R²·F·N의 직관적 해석. - **`references/multicollinearity-and-rank.md`** — card.dta의 age=6+exper+educ 항등식으로 완전 다중공선성, STATA omit 메시지, near multicollinearity의 SE 폭증, '단맛을 두고 두 X가 싸운다'는 맛 비유, 3D 회귀평면 인터랙티브 시각화. - **`references/dummy-variables-and-trap.md`** — 0/1 더미 인코딩, k-1 원칙, 더미변수 트랩, R_data9_1.dta 인종 더미의 평행선 회귀(같은 기울기·다른 절편), OVB 시연(D2 계수 -0.17→-0.09). - **`references/interaction-terms.md`** — 더미×연속변수 곱항으로 두 집단의 절편차+기울기차를 분리, 더미값 0/1 대입 산술, 인종 부채꼴 그래프, STATA 4가지 동치 표기(수동 곱 / `i.race#c.ttl_exp` / `i.race##c.ttl_exp` / `xi:`), 기준범주 변경의 거울 대칭. - **`references/panel-data-and-fixed-effects.md`** — i×t 패널 구조, grunfeld.dta xtset, LSDV(`reg i.company`)와 within(`xtreg fe`)의 슬로프 동치성, sigma_u/sigma_e/rho 분산 분해, 샌드위치 분산행렬과 vce(robust), 양방향 고정효과(TWFE). - **`references/iv-2sls-gmm.md`** — 도구변수 Z의 두 조건(연관성·외생성), 2SLS의 '교육 핵' 추출, IV DAG, mus207mepspresdrugs로 OLS→단일 IV→over-identified 2SLS→GMM 4단계 위계, 약한 도구 진단, Cameron & Trivedi 정당화. - **`references/did-difference-in-differences.md`** — Card-Krueger 최저임금 자연실험, 4셀 i×t 매트릭스, 잠재결과 프레임워크, 사전평행추세 가정, '3인방'(α_i + λ_t + β·교차항) 회귀식 산술 도출, 이벤트 스터디, 다항 t로의 확장, 연속 처치변수 DiD. - **`references/rd-regression-discontinuity.md`** — cutoff 근처 국소 무작위화 가정, 장학금-수능 가상 사례, David Lee(2008) RD.dta 미국 하원 선거 replicate, t-1 placebo test, 4차 다항 RD, 비모수 RD(WLS+대역폭 h의 편의-분산 상충관계). - **`references/functional-forms-polynomial-log.md`** — 다항식 차수='굽은 횟수+1', log/log-log 모형의 탄성·반탄성 해석, cubic/quartic DGP 시뮬레이션 진짜 vs OLS 추정 비교, x³ 누락에 의한 OVB 시연, '쓸데없는 파라미터'와 overfitting. - **`references/mle-logit-probit-gmm.md`** — OLS 너머의 추정법. 찌그러진 동전 비유로 MLE 역발상, 베르누이 PMF 압축표기, 로그우도함수 도출, F 함수형 선택(로지스틱 CDF=로짓, 정규 CDF=프로빗), LPM vs Logit S자 곡선, STATA `mylogit ml` 사용자 정의, GMM이 OLS 적률조건의 일반화임. ## Decision Tree 사용자 질문의 트리거 키워드 → references 매핑. 가장 위쪽 규칙부터 순차 적용한다. ### 1. 회귀의 정의·산점도·OVB 도입 - 키워드: "회귀분석", "회귀", "regression", "산점도", "scatter", "단순회귀", "다중회귀", "누락변수", "OVB", "통제", "controlling for", "auto.dta", "mpg-price", "lfit" - → `regression-basics-and-ovb.md` - 추가로 OVB가 인과 해석을 막는다는 메타 메시지가 핵심이면 `correlation-vs-causation.md` 도 함께. ### 2. 상관 vs 인과·내생성 4분류 - 키워드: "상관", "인과", "correlation vs causation", "역인과", "reverse causality", "측정오류", "선택편향", "selection bias", "David Card", "KCTDI" - → `correlation-vs-causation.md` - 사용자가 "그럼 어떻게 해결?"이라고 후속 물으면 `iv-2sls-gmm.md`, `did-difference-in-differences.md`, `rd-regression-discontinuity.md` 중 맥락에 맞는 것으로 분기. ### 3. OLS 계산 메커니즘·행렬 표기 - 키워드: "OLS", "최소제곱", "argmin", "행렬", "(X'X)⁻¹X'y", "닫힌형", "DGP", "시뮬레이션", "SSR", "잔차제곱합", "Data Editor", "n=3 손계산" - → `ols-mechanics-and-matrix-form.md` - 사용자가 직교 X'ê=0의 의미를 추가로 물으면 `exogeneity-assumption-hierarchy.md` 도. ### 4. 절편·상수항·noconstant - 키워드: "상수항", "절편", "intercept", "_cons", "noconstant", "nocons", "β₀", "베타0" - → `intercept-and-noconstant.md` ### 5. 외생성·직교성·가정 위계 - 키워드: "외생성", "exogeneity", "직교", "orthogonality", "독립", "E[Xε]=0", "오차항 vs 잔차", "Strict Exogeneity", "엄격 외생성", "단물 비유" - → `exogeneity-assumption-hierarchy.md` ### 6. 표준오차·t·p값·신뢰구간·R² - 키워드: "SE", "표준오차", "t값", "p값", "p-value", "신뢰구간", "CI", "신뢰수준", "유의수준", "유의", "R²", "R-squared", "set level", "kdensity" - → `inference-se-t-p-ci.md` ### 7. 다중공선성·풀랭크 - 키워드: "다중공선성", "multicollinearity", "collinearity", "풀랭크", "rank", "near multicollinearity", "VIF", "맛 비유", "회귀평면", "card.dta age educ exper" - → `multicollinearity-and-rank.md` ### 8. 더미변수·트랩·평행선 회귀 - 키워드: "더미", "dummy", "더미변수 트랩", "기준범주", "범주형", "i.race", "k-1 원칙", "R_data9_1", "평행선 회귀" - → `dummy-variables-and-trap.md` ### 9. 상호작용·교차항 - 키워드: "상호작용", "interaction", "교차항", "곱항", "i.race#c", "i.race##c", "##", "ib3.race", "xi:", "메인 효과", "기준범주 변경" - → `interaction-terms.md` ### 10. 패널·고정효과·robust SE - 키워드: "패널", "panel", "고정효과", "FE", "xtset", "xtreg", "within", "LSDV", "vce(robust)", "TWFE", "양방향 고정효과", "grunfeld", "sigma_u", "rho" - → `panel-data-and-fixed-effects.md` ### 11. 도구변수·2SLS·GMM - 키워드: "IV", "도구변수", "instrumental variable", "2SLS", "GMM", "ivregress", "exclusion restriction", "약한 도구", "weak instrument", "mus207", "nearc4", "Sargan", "교육 핵" - → `iv-2sls-gmm.md` - 강의자가 GMM을 적률조건의 일반화로 다룬 부분(260429)이 핵심이면 `mle-logit-probit-gmm.md` 도 함께. ### 12. DiD·이중차분·사전평행추세·이벤트 스터디 - 키워드: "DiD", "DID", "이중차분", "difference-in-differences", "사전평행추세", "parallel trends", "이벤트 스터디", "event study", "Card-Krueger", "최저임금", "잠재결과", "potential outcomes", "ATT", "3인방", "panelf3.dta" - → `did-difference-in-differences.md` ### 13. RD·회귀단절설계·cutoff·placebo - 키워드: "RD", "RDD", "회귀단절", "regression discontinuity", "cutoff", "임계값", "running variable", "Sharp RD", "Fuzzy RD", "placebo", "bandwidth", "대역폭", "rdrobust", "Lee 2008", "David Lee", "RD.dta" - → `rd-regression-discontinuity.md` - 4차 다항 회귀의 함수형 측면이 핵심이면 `functional-forms-polynomial-log.md` 도. ### 14. 함수형·다항식·로그·DGP - 키워드: "함수형", "functional form", "다항식", "polynomial", "log", "log-log", "탄성", "elasticity", "cubic", "quartic", "ln_wage", "DGP", "overfitting", "차수" - → `functional-forms-polynomial-log.md` ### 15. MLE·로짓·프로빗·LPM·GMM 일반화 - 키워드: "MLE", "최우추정", "maximum likelihood", "로짓", "logit", "프로빗", "probit", "LPM", "선형확률모형", "베르누이", "Bernoulli", "로그우도", "log-likelihood", "이산종속변수", "ml mylogit", "찌그러진 동전" - → `mle-logit-probit-gmm.md` ### 16. 회차별 요약 요청 사용자가 "260311 회차 요약" 같은 식으로 회차를 직접 묻는 경우, 아래 Lecture Map 표를 참조해 그 회차에서 다룬 토픽 ID들에 해당하는 references 파일들을 모두 읽는다(보통 1~4개). 그리고 회차별 narrative arc(아래 Lecture Map)에 따라 시간순으로 응답을 구성한다. ### 17. 페다고지·화법·오해 카탈로그 - 키워드: "강의자 화법", "비유", "페다고지", "수업 패턴", "흔한 오해", "사이비 패턴" - → 본 SKILL.md의 Lecturer's Pedagogical Style 섹션을 우선 사용. 구체 비유의 출처는 해당 토픽 references 로 fallback. ## Prerequisites Graph 토픽 간 선행관계 DAG. 사용자가 후속 토픽을 물었는데 선행 토픽 이해가 부족해 보이면 prerequisite 토픽의 references 도 함께 로드한다. ``` regression-basics-and-ovb (root) ├── correlation-vs-causation │ ├── iv-2sls-gmm │ ├── did-difference-in-differences │ └── rd-regression-discontinuity ├── ols-mechanics-and-matrix-form │ ├── exogeneity-assumption-hierarchy │ │ └── panel-data-and-fixed-effects │ ├── inference-se-t-p-ci │ ├── multicollinearity-and-rank │ │ └── dummy-variables-and-trap │ │ ├── interaction-terms │ │ │ └── did-difference-in-differences │ │ └── panel-data-and-fixed-effects │ │ ├── iv-2sls-gmm │ │ └── did-difference-in-differences │ │ └── rd-regression-discontinuity │ ├── functional-forms-polynomial-log │ │ └── rd-regression-discontinuity (다항 RD) │ └── mle-logit-probit-gmm └── intercept-and-noconstant ``` 핵심 위계: - 모든 토픽의 root는 `regression-basics-and-ovb`. - `ols-mechanics`는 추론·다중공선성·외생성 등 이론 가지의 공통 분기점. - `panel-data-and-fixed-effects`는 IV·DiD·RD의 공통 선행(고정효과·robust SE 어휘를 모두 사용). - `mle-logit-probit-gmm`은 시리즈 마지막 회차의 메타-챕터 전환점, OLS 계열을 모두 마치고 진입. ## Lecture Map 12편 강의가 시간순으로 어떤 토픽을 다뤘는지. 사용자가 회차를 직접 물으면 이 표에서 토픽 ID를 찾아 references 파일을 골라 읽는다. | 회차 | topics_covered | 한 줄 요약 | |---|---|---| | **260311** | regression-basics-and-ovb, correlation-vs-causation, exogeneity-assumption-hierarchy | 회귀분석의 직관에서 출발해 단순/다중회귀, OVB 메커니즘, 외생성/직교성 가정까지 — 시리즈 페다고지 골격을 도입한 첫 회차. auto.dta로 mpg-price 부호 반전 시연. | | **260313** | intercept-and-noconstant, ols-mechanics-and-matrix-form, exogeneity-assumption-hierarchy, inference-se-t-p-ci | 상수항 β₀와 noconstant로 절편의 의미 정착, n=3 가상 DGP 시뮬레이션과 멀티-도구 검증으로 OLS argmin Σε²과 행렬 닫힌형의 작동 원리 시연. (※ ASR loop로 후반 80% 결손) | | **260316** | inference-se-t-p-ci, multicollinearity-and-rank, dummy-variables-and-trap, functional-forms-polynomial-log | p값='임계 유의수준' 통찰과 신뢰구간 0 포함 여부 판정 정착, card.dta 다중공선성·near multicollinearity, 더미변수 트랩 진입. set level 시연. | | **260318** | multicollinearity-and-rank, exogeneity-assumption-hierarchy, dummy-variables-and-trap | 맛 비유와 3D 회귀평면 시각화로 다중공선성 마무리, R_data9_1.dta 인종 더미로 평행선 회귀와 OVB(D2 -0.17→-0.09) 시연. (※ ASR loop 결손) | | **260323** | dummy-variables-and-trap, interaction-terms | 더미×연속변수 상호작용항 정식 도입 — 두 집단 회귀선의 절편차+기울기차 분리. 인종 부채꼴 그래프, STATA 4가지 동치 교차항 표기. | | **260401** | interaction-terms, panel-data-and-fixed-effects, exogeneity-assumption-hierarchy, correlation-vs-causation | 교차항 정착 후 패널/FE 챕터 진입. grunfeld로 LSDV vs xtreg fe 슬로프 동치성, vce(robust) 학계 표준 처방. 내생성 3대 원천으로 마무리. | | **260408** | correlation-vs-causation, iv-2sls-gmm | 내생성 해결의 4가지 식별전략 카탈로그 박제, David Card OVB 도식 + 회귀식 외생성 정식화로 IV 본격 진입 직전까지 도달. (※ 후반 ASR/시각 이중 결손) | | **260410** | iv-2sls-gmm | 도구변수 Z의 두 조건과 2SLS '교육 핵' 추출 정식화, mus207mepspresdrugs로 OLS→단일 IV→over-identified 2SLS→GMM 4단계 위계 시연(부호 반전). | | **260414** | did-difference-in-differences | Card-Krueger 최저임금 자연실험에서 출발해 4셀 매트릭스, 잠재결과, 사전평행추세, '3인방' 회귀식 Y_it=α_i+λ_t+β·(M_t·C_i)+X_it+ε_it 산술 도출. | | **260415** | did-difference-in-differences | DiD를 다항 t로 확장, 시간 FE λ_t와 처치후 더미 M_t 분리, 이벤트 스터디 회귀식과 panelf3.dta 외국인 노동자 STATA 시연, 연속 처치변수 DiD까지. | | **260420** | rd-regression-discontinuity, functional-forms-polynomial-log | 잠재결과 메타-프레임으로 4가지 식별전략 통합 카탈로그 후 RD 도입 — Lee(2008) RD.dta, t-1 placebo, cubic/quartic DGP, 4차 다항 RD, 비모수 RD(WLS+대역폭). | | **260429** | ols-mechanics-and-matrix-form, exogeneity-assumption-hierarchy, mle-logit-probit-gmm, iv-2sls-gmm | 외생성 3단계 위계와 X'ê=0으로부터 β̂=(X'X)⁻¹X'y 자기완결적 도출, OLS 너머의 추정법(MLE/로짓/프로빗/GMM)으로 메타-챕터 전환. (※ ASR loop로 96% 결손) | 회차 간 누적 흐름의 핵심: 강의자는 매 회차 도입에서 직전 회차의 미완 주제를 짧게 환기한 뒤 새 토픽으로 진입한다. 따라서 회차 N을 분석할 때는 회차 N-1의 마무리 부분과 회차 N의 도입부가 연결되어 있다고 가정해도 좋다. ## Lecturer's Pedagogical Style 강의자는 '수학없는 쉬운'이라는 시리즈 콘셉트에 맞춰 **수식 도출 대신 직관·STATA 시연·산점도·일상 비유의 4채널 동시 운용**을 페다고지의 핵심 도구로 삼는다. 매 회차의 표준 호흡은 '직관 도입(좌표·점·일상 비유) → STATA 시연 → 직관에 반하는 결과 노출 → 왜? 질문 던지기 → 누락변수 후보 발굴 → 다중회귀로 확장 → 부호/크기 변화 시연 → 가정의 정식화 → 그래도 인과는 아닙니다 못 박기'의 9단계 아크다. 시각 자료는 항상 (1) 삼성노트 손글씨 판서, (2) STATA 콘솔과 Data Editor, (3) VS Code do 파일, (4) 외부 매뉴얼·교과서(KCTDI, Cameron-Trivedi, David Lee 2008, 강의자 본인 논문)의 4채널이 같은 개념의 다른 표현으로 결부되며, 노란 형광펜(핵심 숫자)·빨간 X자/타원(잘못된 패턴·주의)·파란 펜(이론 정식화)의 색 코딩이 일관된다. STATA 시연은 '명령 → 출력 즉시 해석 → 산점도/판서식/행렬 표기 1대1 결부'의 3단 구조로 진행되며, 같은 회귀를 의도적 변형(noconstant, vce(robust), set level 변경, 한 행만 깨뜨리기)으로 반복 실행해 계수·SE·CI·p값의 변화를 시각화한다. 화법 측면에서는 '이거/요거/얘네' 지시대명사가 화면 동그라미·형광펜과 결합되며, '여러분' 호명 직후 핵심 명제가 박힌다. '~잖아요/그렇죠?' 동의 구하기로 누적 흐름을 이어붙이고, '그냥 쉽게 얘기해서/느낌만 알려드릴게요' 같은 페다고지 면책 화법으로 학생 부담을 미리 덜어준다. '주의하세요/이건 인과로 해석하면 안 돼요' 같은 선제적 경고와 '반드시/무조건/항상'(k-1개 더미, vce(robust) 항상, Y는 무조건 하나) 박제 시그널이 흔한 오해를 막는다. 자기교정 화법('독립이 아니라 직교여야 하는')과 기술적 디버깅(matain 미인식, SSL 오류, Claude AI 자문)을 정직하게 노출해 '교수도 헷갈릴 수 있다'는 인간적 신호를 보낸다. 비유는 '맛 비유/단물/잔여물/강북-강남/마티즈-에쿠스/금방/아쉽게-재수 좋게/찌그러진 동전' 등 신체 감각으로 변환된 일상어가 매번 호명되며, 한 번 도입된 비유는 후속 회차에서 반복 재호명되어 누적 어휘로 자리잡는다. 영어 용어('베타/엡실론/콘스턴트/리그레이션/디스컨티뉴이티')는 한국어 발음으로 그대로 사용해 STATA 출력·논문과 직결된다. 평어체 친근한 톤('~예요/~거든요')과 면책 선언 직후의 긴 정적 호흡이 결합되어 형식 강의보다는 1:1 설명에 가까운 거리감을 만든다. ## Common STATA Workflows 이 시리즈는 STATA를 주된 시연 도구로 사용한다. references 파일에서 자주 등장하는 STATA 워크플로우 패턴은 다음과 같다(코드 본문은 references에 있고 여기서는 패턴만 명시). - **데이터 로딩**: `sysuse auto, clear` / `use card, clear` / `use R_data9_1, clear` / `use grunfeld, clear` / `use mus207mepspresdrugs, clear` / `use RD, clear` / `use panelf3, clear` / `use nlswork, clear`. - **회귀 표준 패턴**: `reg y x1 x2` → 출력 표 해석 → `reg y x1 x2, vce(robust)` 비교. - **시각화 표준**: `twoway (scatter y x) (lfit y x)`, `twoway (scatter y x) (line yhat x, sort)`, `twoway (function y = ..., range(...))`. - **신뢰수준 변경 시연**: `set level 99` / `set level 43` 으로 같은 회귀의 유의성 판정 변화 비교. - **noconstant 시연**: `reg y x, noconstant` 로 절편 강제 0이 만드는 부호 반전. - **다중공선성 검증**: `gen check = age - exper - educ` / `tab check` 로 항등식 확인. - **더미 생성**: `tab race, gen(D)` 로 D1/D2/D3 자동 생성, `i.race` 로 자동 더미 처리. - **상호작용 4가지 동치**: 수동 `gen D2_x = D2*x`, `i.race#c.x`, `i.race##c.x`, `xi: ... I.race*x`. - **패널 선언과 FE**: `xtset id year` → `xtreg y x, fe` / `reg y x i.id` 슬로프 동치성 검증. - **IV 4단계 위계**: `reg y x1 x2 endog` → `ivregress 2sls y x1 x2 (endog = z1)` → `ivregress 2sls y x1 x2 (endog = z1 z2 z3 z4)` → `ivregress gmm y x1 x2 (endog = z1 z2 z3 z4)`. - **DiD/이벤트 스터디**: `xtreg y i.ym i.ind treat#post, fe vce(robust)` 와 `xtreg y i.ym i.event_time i.ind, fe`. - **RD replicate**: `graph twoway (scatter y_local x, ms(O)) (line y_fit x, sort)` with `xline(0)`. - **시뮬레이션**: `clear all` / `set seed 20260420` / `set obs 2000` / `gen x = runiform(...)` / `gen y = ... + rnormal(0, σ)` / `reg y x x2 x3` / `di "True b1 = ... | Est = " _b[x]`. - **MLE 사용자 정의**: `program define mylogit_lf` / `ml model lf mylogit_lf (...)` / `ml maximize`. 각 워크플로우의 상세 코드와 출력 해석은 해당 토픽의 references/*.md 에서 로드한다. scripts/ 디렉터리는 별도 두지 않는다 — 이 시리즈는 do 파일 하나(`계량강의용.do`)에 누적되며, 회차별 분량의 코드 블록이 references 안에 인용 형태로 박제되어 있다. ## Caveats and Limitations 이 skill 을 사용할 때 반드시 인지해야 할 한계. 1. **ASR 결손이 있는 회차**: `260313`(후반 80%), `260316`(후반 50%), `260318`(약 90%), `260401`(약 95%), `260408`(약 80~90%), `260410`(약 88%), `260415`(후반 약 50%), `260420`(후반 약 60%), `260429`(약 96%) 회차는 자동 음성 전사가 stuck/loop 오류로 결손되어 있다. references 의 해당 부분은 화면 증거(판서·STATA 출력·do 파일)로부터 역추적된 추정이며, 강의자 발화의 정확한 단어가 아니다. 사용자에게 답할 때 '강의자가 정확히 이 표현을 썼다'고 단정하지 말고, '시각 증거상 ~로 추정된다'로 표현할 것. 2. **인과 vs 상관의 메타 메시지**: 시리즈 전체에서 강의자는 '회귀계수가 통계적으로 유의해도 인과가 아니다'를 매 회차 반복 강조한다. 사용자가 한 회차 결과만 보고 인과적 표현을 쓰면 즉시 교정해야 한다. 3. **표준 정의에서 벗어난 강의자 표현**: 강의자가 '독립'과 '직교'를 혼용하거나 '잔차'와 '오차항'을 혼용할 때가 있다. 이 경우 references 파일의 '강의자 자기교정 패턴' 섹션을 따르고, 회귀 식별에 필요한 건 가장 약한 직교 조건임을 항상 명시할 것. 4. **STATA 버전·문법**: 시리즈는 STATA 17~18을 가정한다. 구버전 `xi:` 문법과 신버전 `i.race##c.x` 문법이 동치임을 references 가 함께 박제하므로, 사용자가 어떤 버전이든 답할 수 있다. 5. **다른 통계 패키지**: 사용자가 R/Python으로 같은 분석을 묻는 경우, 이 skill 은 STATA 중심 라우터이므로 부분적으로만 답할 수 있다. R의 `feols`/`fixest` 워크플로우는 별도 `r-econometrics` skill 이 더 적합하다. 6. **추론 한계**: 강의자가 명시적으로 다루지 않은 주제(예: Bayesian, machine learning, 시계열 단위근, GARCH)는 이 skill 의 범위 밖이다. references 에 없는 주제를 사용자가 묻는다면 추측하지 말고 'uncertain' 으로 분리할 것. 7. **회차 간 누적 의존성**: 회차 N을 단독으로 분석하면 누락된 맥락이 많다. 사용자가 한 회차의 특정 발화를 묻더라도, prerequisite 회차의 토픽 references 를 함께 읽어야 정확히 답할 수 있다. 8. **강의자 본인 논문**: 외국인 노동자 DiD-IV 논문, 한국-이스라엘 FTA 확장 DiD 등 강의자 본인의 미발표/발표 논문이 사례로 등장한다. references 에서 그 식 (1)을 박제했지만 출판본의 정확한 표기와 다를 수 있다 — '강의 시연 기준' 임을 명시할 것. 이 모든 한계를 인지한 채로 사용자 질문에 답하라. 가장 가까운 references 1~3개를 골라 읽고, 그 본문이 박제한 정의·식·STATA 코드·강의자 비유를 그대로 인용 형태로 사용하라. 본 SKILL.md 는 라우터일 뿐, 실제 답변의 본문은 references 가 만든다.