研究指南

AI 辅助证据核对

用 AI 辅助阅读和比较资料，独立核查引文、数字与不确定之处。

94 篇指南

• 序列相关：重复月份不等于独立证据

  在明确序列依赖假设下计算均值不确定性，区分有限样本与长期有效数量，并保留真实时间间隔和模型适用范围。

• 回填数据：核对观测值何时真正可用

  建立观察期与可得期二维面板，区分修订和首次回填，按截止点筛选合格行后再交给AI解释，避免把今天完整历史误当当时已知数据。

• 双语AI研究：流畅表达前先核对限定词

  逐项核对双语AI研究中的主体、可能性、时间、否定词、单位和定义词，用主张对齐表发现流畅译文中可能改变研究结论的错误。

• 效应尺度：重建风险差、比值与赔率

  从同一二元四格表重建风险差、风险比与赔率比，核对百分点、低基准概率、事件反转及按结果抽样，避免把赔率倍数写成概率翻倍。

• 把AI解释与可复现计算分开

  保留输入、公式、精度和独立重算四层。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 日历对齐：避免制造不存在的月度观测

  对齐季度与月度资料时保留经营期间、发布日期和聚合规则，区分前值填充、分配与插值，避免制造不存在的观测或提前使用披露。

• 删失数据：低于阈值不等于零

  保存删失阈值和不等式，分开删失、普通缺失与样本截断，推导均值边界，并明确半阈值填补和模型估计的适用假设。

• 链式指数：解释实际分项为什么不能直接相加

  用可复算Fisher数量指数说明链式货币不可加性，区分方法残差、舍入及范围错误，并选择适当的份额和增长贡献资料。

• 引用链核验：把重复说法追到原点

  绘制来源依赖图避免把转载当独立佐证。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• AI引文核验：来源是否支持这句话

  逐句检查来源存在、内容支持和范围一致。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 分类器预警：按目标基础发生率重算精确率

  依据敏感度、特异度与目标基础率重算预警精确率，将财报分类流程转为可检查的人工工作量，并区分预警与已确认结论。

• 聚类自助法：重抽真正独立的单位

  有放回重抽完整公司簇，保留重复实例、内部配对和估计目标，区分模拟次数、原始独立信息及复杂依赖限制。

• 碰撞点核验：控制变量也能制造关联

  用完整四格总体与入选样本复算碰撞点条件化造成的关联，追踪筛选和控制变量角色，并分开结构假设、因果识别及回归估计。

• 共线输入：拟合稳定也可能系数不稳

  复算辅助回归与方差膨胀因子，扰动小样本后同时核对系数和拟合值，区分稳定预测与脆弱归因，不把高VIF当作自动删变量规则。

• 竞争性退出：估计研究真正关心的事件

  按共同风险集递推收购、倒闭及仍活跃的状态概率，复算竞争风险累计发生率，区分原因别hazard、错误删失、并列事件与未知退出原因。

• 成分数据：占比升高也可能没有活动增长

  建立原量、闭合份额与成分比三联表，区分占比和绝对增长，核对参照选择、机械依赖、结构零、检测限与未对齐总量的处理。

• 不确定性传播：保留输入之间的协方差

  将协方差纳入差额与比率的不确定性传播，区分共享测量误差、一阶近似、情景范围和硬边界，避免用独立假设制造虚假精度。

• AI反证搜索：用可推翻的问题检验判断

  把AI提出的反驳转成有边界的证据检索，分开记录候选挑战和实际观察，避免只搜负面信息，并判断哪些变化真正削弱原判断。

• 反事实比较：检验对照组能回答什么

  从选择机制、事前路径、计量、共同冲击和外溢诊断反事实对照，用假设变化之差区分算术结果与因果解释，并保留未解决假设。

• 数据集快照：冻结行集合与变换规则

  冻结研究数据的行粒度、键集、输入与变换规则，通过同行数替换案例说明结构和值检查的区别，并为复现与刷新保留独立快照。

• 延迟进入：从真实开始观察时构建风险集

  从真实观察区间构造延迟进入风险集，逐事件核对分母和暴露账，区分左截断、删失及时间原点，并保留截断独立性与历史总体覆盖缺口。

• 单位换算：聚合前检查量纲

  聚合前建立量纲与换算台账，区分千与百万、币种、季度年化和每股指标，通过假设混合单位案例核对因子方向与可比范围。

• 阈值研究：因果断言前核验分配规则

  恢复阈值分配规则与决策评分，分别核验局部结果和领取极限，复算模糊断点比值，并检查依从、排除限制、支持缺口与局部人口。

• AI文档比较：用两个版本核对变化

  比较报告版本时，区分表格移动、定义改变、数字重述与真实新观察；回查两个原文，并跟踪变化对图表和研究判断的影响。

• 重复行：删除前定义观测键

  删除财务重复行之前定义观测键，区分金额相等、重复发布和修订版本，保留原始记录、排除理由与清洗后的对账结果。

• 群体证据：不要直接推断个体行为

  区分群体证据与个体行为，用可行交集边界和假设交叉表展示边际百分比无法识别什么，并说明需要怎样的联合资料继续核验。

• 公司ID连接：使用有效区间而非股票代码

  建立公司、申报主体与证券的有效区间对照，检验代码重复使用、类别多匹配和未匹配行，防止AI把无关实体拼成连续历史。

• 事件窗口：识别重叠解释与污染

  围绕有证据的公开时点设定事件窗口，记录市场时段、边界理由和重叠公告，通过假设案例区分时间伴随与有设计支持的因果归因。

• 等效性核验：检验之前定义可接受差异

  事先规定可接受的平均差并执行配对等效性检验，用两个单侧边界和百分之九十区间核对结论，区分不显著、均值等效与个体一致性。

• 证据约束提示词：先提取，再请求判断

  使用可复制的证据优先任务书，先提取原文与位置，分类主张并保留未知；再核对来源范围和数字，避免把提示词误当成事实保证。

• 证据独立性：统计信息机制而非文档份数

  在统计AI研究来源之前，核对共同测量、假设与筛选机制，用证据簇工作表区分文档份数和真实信息增量，不虚构独立性分数。

• AI事实错误：系统排查编造的细节

  针对实体、事件与数字设计事实隔离表。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 事件发生率：比较频次前累计风险暴露时间

  逐企业累计风险暴露时间，区分首次与重复事件的分子分母，复算发生率和单位转换，并检查观察中断、日期未知与固定期间概率边界。

• 别名设计：识别精简实验无法分开的效应

  重建部分析因实验的运行矩阵、生成关系与别名表，用互补试验分开混合效应，避免把更多相同组合重复当作识别依据。

• 析因比较：检验两项改变是否存在交互作用

  重建四格研究实验，分开条件效应、平均主效应和交互对比，核对编码、随机化单位与尺度，避免把组合最好当作收益必然相加。

• 漏斗不对称：调查缺失研究而不凭图补数量

  把研究效应与精度连接到有日期的方案和报告状态，区分选择性不报告、检索漏项和真实异质性，避免凭漏斗形状虚构缺失研究。

• 直方图形状：判断双峰之前检验分箱

  判断业务数据是否双峰前，检查直方图箱宽、起点与归一化，保留原始观测，区分视觉群集与有独立证据支持的经济总体。

• AI研究人工复核：按后果分配核查工作

  用后果与可逆性矩阵分配逐项核验。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 中断时间序列：区分即时改变与趋势改变

  依据作者勘误核对中心化时间交互，复算中断序列的即时水平、斜率、指定期及窗口平均差异，区分残差依赖、测量改变和因果归因。

• 研究标签：阻止未来结果泄漏到输入

  防止未来结果标签泄漏到研究输入，记录决策截止、标签成熟期、来源版本和预处理规则，并核对时间切分与结果窗口重叠。

• 对数变换：保留零值、负值与估计目标

  检查对数定义域、偏移和单位，保留零负值经济含义，区分几何均值、原值算术均值及模型还原所需假设。

• 长文档AI审阅：信任摘要前先检验覆盖范围

  用章节地图与独立定位的事实检查长报告摘要，区分输入提取、检索与解释失败，并在重要资料缺失时保留结论边界。

• 预测区间：把新个体与条件均值分开

  分别计算给定解释变量处的回归均值区间与新个体预测区间，复核杠杆、额外残差方差以及已知尺度和估计尺度下不同临界值与自由度。

• 中介变量控制：先说明要总效应还是直接效应

  在透明中介结构中分别计算总效应和受控直接效应，核对未测共同原因与交互反例，并区分结构推导、识别条件、自然效应及普通调整系数。

• AI辅助研究备忘录：交付前的证据检查

  交付AI研究备忘录前，用工作表逐项核查主张、来源、计算、时间和范围，保留重大缺口，并如实记录核查者与剩余限制。

• 测量一致性：高相关也可能掩盖不可用差额

  用预设容许差核验两种测量方法的个体差额，完整计算平均偏差、差值标准差及一致性界限，区分高相关、均值区间与真正可互换性。

• AI输出的缺失数据：显式保留未知状态

  区分AI研究中的真实零值、未披露、不适用和提取失败，保留搜索范围与计算准入规则，避免把资料缺口变成经营结论。

• 缺失观测：填补之前先给结果设边界

  根据已知合计和有依据的结果范围推导全样本均值边界，区分缺失机制、填补假设与抽样不确定性，避免把空格猜测当证据。

• 多重检验：把最佳结果背后的全部问题列出来

  记录完整检验家族，区分FWER与FDR，复算Bonferroni和BH规则，并明确校正无法修复无效检验或选择性报告。

• 模型支持域：单变量在范围内也可能联合外推

  用满秩三角案例与凸组合权重核对联合输入支持域，区分每列熟悉的数值与实际观察组合，并说明凸包内也不保证模型正确。

• 负基数：解释亏损变化，避免误导性增长率

  用有符号金额描述亏损收窄、扩大与转盈，解释负数和零基数为何使增长百分比误导，并明确标注任何替代尺度及其限制。

• 负对照：在解释不该成立的地方检验它

  用负对照检验研究机制，保留选择理由、全部对照、测量版本与诊断边界，避免将对照差异直接用来修正因果效应或证明无偏。

• OCR证据核对：保护符号、小数与脚注

  用原页图像回查高影响单元格并保留纠错记录。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 顺序评分：保留次序而不虚构相等间距

  用类别分布、保序重编码与明确阈值核对研究评分，区分标签次序和真实距离，避免把平均等级当作天然可比较的数量。

• 异常值：保留原值与处理后的影响

  处理研究异常值之前检查数据错误与真实经济事件，保留原值和处理台账，展示删除、缩尾及稳健统计对结论的具体影响。

• 滚动窗口：避免把重叠观测当成新确认

  识别滚动指标共享的底层观测，区分机械重叠与新证据，保留原始数值、窗口端点和发布时点，避免把平滑延续当作多次独立确认。

• 配对比较：计算变化前保留一一匹配关系

  保留配对观测键，复算差值方差与标准误，说明协方差为何重要，并区分自然配对、缺失处理和因果解释。

• 面板进入退出：分开增长与样本构成变化

  拆分存续公司变化、进入和退出对面板总量的贡献，用收入桥接对账，并区分数据覆盖变化、上市事件与真实经济活动。

• 总体漂移：核对已验证工作流现在处理什么样本

  监测研究流程输入总体，将总通过率拆成类别构成与内部质量，保留标签覆盖和未知格式，区分资料变化、规则变化及真实性能改变。

• 共同支持域：找出数据不能识别的比较

  按目标人口权重核验处理支持，区分结构性零和样本偶然空格，复算缺反事实的界限，明确限制人口、外推假设与抽样不确定度各自含义。

• 带噪解释变量：解读斜率前检验衰减机制

  在明确经典测量误差模型下推导斜率衰减，复核重复平均的作用与相关误差反例，并列出可靠性估计、验证样本及修正不确定度要求。

• AI辅助私人研究：减少离开本地笔记的信息

  围绕一个明确研究问题制作最小资料包，移除不必要的私人字段，检查附件隐藏内容与衍生副本，并明确代号和删除操作不能保证什么。

• 概率主张：用结果频率与评分检查校准

  用成熟标签、可靠性表与二元 Brier 分数检查概率校准，区分校准、排序和准确率，避免让重校准方法参加自己的评估。

• 研究功效：事先选定值得识别的差异

  在查看结果之前联合设定实质差异、误差尺度、alpha和功效，复算两组样本量、固定预算可检测差异与招募损耗，保留独立性和缺失边界。

• 分位数核对：比较前固定插值规则

  复算type 1与type 7样本分位数，保存排序、并列值和缺失规则，区分算法插值、原始观测与总体尾部不确定性。

• 随机化检验：只置换设计允许的分配

  从真实随机分配协议枚举合法空间，明确尖锐零假设，逐行复算精确尾部、配对限制与随机近似，并核验观察分配、相等值及分析单位。

• 秩关联：单调排序与线性斜率回答不同问题

  通过原值与平均秩双表核对单调关联、线性关系和并列值处理，用曲线反例说明零秩相关不等于独立，也不能由高相关推断因果。

• 复核者一致性：裁决之前测量分歧

  裁决前测量独立复核一致性，建立标签交叉表并计算 Cohen kappa，保留原始分歧与证据，避免将共识直接当成事实正确。

• 名义值转实际值：选择可解释的平减口径

  选择与问题匹配的平减指数，记录人群、地区、期间和基期，通过假设公式计算实际增长，区分消费者购买力口径与企业实物销量。

• 极端基线：分开均值回归与真实改善

  用明确重复测量模型复算极端基线后的条件回落，区分点值与阈值选样、真实平移及观察变化，并给出重复基线和同期比较核验步骤。

• 重复测量：拆分同轮误差与跨日误差

  设计固定对象跨日重复测量，按自由度合并组内方差并拆出日效应，对照单次、日均与跨日均值的不确定度，保留负分量和共同偏差边界。

• 财报重述面板：并存原始与修订观测

  用申报身份、期间、单位和范围建立原报与修订双面板，通过假设增长率变化说明版本选择影响，避免AI混用不同版本形成不存在的组合。

• 检索漏召回：检查结果之外的相关证据

  在固定研究资料池中检查搜索漏掉的相关披露，分开定位入库、身份、筛选和排序故障，并明确有限集合召回率不能代表全网表现。

• 舍入数据：计算披露总额背后的可行区间

  将显示数转换为舍入区间，判断分项与总额能否兼容，并在差额和比率中保留精度限制，避免把假设小数当披露原值。

• 检索精度：摘要前归类假阳性

  用固定相关性规则检查研究搜索精度，区分主体、期间与指标假阳性，在相同审阅预算下比较查询改进并保留反向证据。

• 季节调整：比较口径一致的序列

  比较季调与未季调序列时先核对定义、变换和发布版本，区分月环比、同比及修订，避免把口径差异误判为经济证据冲突。

• 样本筛选：记录每道条件排除了谁

  按阶段保存公司成员与排除原因，用假设漏斗核对身份、报告可得、定义和完整性过滤，明确最终覆盖范围并检验关键规则敏感性。

• 分析口径敏感性：报告哪些选择改变结果

  用口径矩阵检查样本、权重与清洗选择如何影响研究结论，区分纠错与合理替代，并明确口径范围不等于统计置信区间。

• 反复查看：再次看结果前先规定停止规则

  反复检查研究流程前定义查看与停止规则，保留完整结果历史，区分运营监测、固定终点评估和满足条件的时间一致统计主张。

• 汇总方向反转：提出结论前核对组内证据

  重建子组成功量和分母，用固定构成比较解释总体反转，区分实际工作量、组内改善、标准化目标和因果推断边界。

• 小样本比例：在发生率旁边展示区间不确定性

  计算小样本审计比例的Wilson区间，明确零失败仍有上界，区分单侧双侧方法，并让推断对应抽样和评分规则。

• 来源冲突：让AI呈现分歧的具体原因

  用冲突矩阵区分时间差、定义差与真实矛盾。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• AI研究来源版本：建立可复现登记册

  把AI研究主张连接到实际使用的来源版本、提取资料包和运行记录，区分字节变化、新期间和旧事实更正，保留结论的可复查依据。

• 标准误与离散度：误差棒到底描述什么

  识别误差棒代表标准差、标准误还是置信区间，核对独立样本单位、临界值与假设，避免把均值精度当成个体稳定性。

• 研究汇总：分开合并均值与各研究效应差异

  复算逆方差合并、研究间异质性与预测区间，分开总体均值精度和各研究效应分散，避免用论文票数或精确合并值替代证据判断。

• 调查估计：有权重仍不能直接确定标准误

  区分调查点权重与抽样设计方差，保留分层聚类和复制约定，核对派生比率的协方差，并明确独立近似的局限。

• 幸存者偏差：重建历史公司样本

  先重建历史公司成员、进入退出与身份连续性，再连接结果和AI摘要，通过假设平均案例识别幸存者偏差，并报告实际样本与目标总体的差距。

• AI表格提取：保留表头、单位与合并范围

  把每个数字转成含维度的完整记录。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 表格连接：发现多对多造成的行膨胀

  检查研究表格连接中的多对多行膨胀，定义预期关系、核对金额与未匹配记录，避免把重复事实相加或虚构产品收入分配。

• 用小型参考集评估AI研究工作流

  用已核对答案、失败分类和预先规定的门槛评估AI研究流程，保留每次结果与证据，避免把少量样例的通过比例包装成普遍准确率。

• AI研究时间范围：区分当时已知与现在已知

  使用事件、公开、抓取和截止四个时间字段。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 研究文档提示注入：维持来源与指令边界

  把网页中的操作指令隔离为不可信资料。通过假设案例、逐步核对方法、常见错误与适用边界，建立可以返回原始证据复核的研究记录。

• 加权平均：保留跨公司的分母

  依据研究问题选择权重，保留比率分母并披露缺失覆盖率，区分合并利润率、平均公司指标与组合暴露，解释权重变化的影响。

• XBRL事实：选择数字前先匹配上下文

  按主体、期间、单位、维度和申报版本选择 XBRL 事实，将机器上下文对回原始披露，区分标准接口未返回、原文缺失与真实零值。