ceq-topic-selection
Use when shaping or sharpening a 《经济学(季刊)》 (China Economic Quarterly, CEQ) research question — turning data/correlation into a clean causal, model-able, internationally-legible topic that a field economist can recognize as a contribution. Use before literature review and identification.
Profile →npx skills add brycewang-stanford/Awesome-Journal-Skills --skill ceq-topic-selection --agent claude-code
Same command for any agent — swap --agent for codex, cursor, copilot.
Weekly change comes from our own snapshots, not the repository page — it measures attention, not adoption.
# 选题（ceq-topic-selection） ## 触发时机 - 有数据/相关性，但没有"可识别的因果问题" - 选题像政策评估或行业描述，缺机制 - 不确定问题能否让 field 同行立刻看懂贡献 ## CEQ 选题的三个硬条件 1. **干净因果**：存在可信的处理/外生变异（政策冲击、断点、自然实验、强工具）。 2. **可建模**：问题能写成一个机制清晰的（结构或简约）模型，含可检验命题。 3. **国际可对话**：问题表述去本土包装后，field 同行仍能识别其一般性贡献。 三者缺一，选题就要重塑而非硬写。 ## 从弱选题到强选题（对照） | 弱（不对口） | 强（对口 CEQ） | |--------------|----------------| | "X 政策对 Y 的影响"（无外生性） | "利用 X 的交错推行/门槛，识别 Y 的因果效应与机制" | | "中国情境下 A 与 B 的关系" | "A 通过渠道 M 影响 B；检验 M 的可证伪含义" | | "某行业现状与对策" | "某制度摩擦如何扭曲资源配置，福利可量化" | | "验证国外理论在中国成立" | "在中国变异下区分两个竞争机制 / 识别一个新参数" | ## 选题前置三问 - **变异从哪来**？说不出外生变异来源 → 回 `ceq-identification` 先找设计。 - **机制是什么**？只有"相关"没有渠道 → 选题不成立。 - **谁会读、为何在意**？只有本土读者在意 → 重塑为一般性问题。 ## 自检清单 - [ ] 能一句话说清处理/外生变异来源 - [ ] 能写出至少一个可证伪的机制命题 - [ ] 去掉"中国"二字后，问题对 field 仍有价值 - [ ] 结果方向不取决于"运气好"的样本切法 - [ ] 不是把已知结论换个数据再跑一遍 ## 反模式 - 数据驱动选题（"我有这套数据，能跑出什么"） - 用"国内尚无研究"替代理论动机 - 选题=政策建议（先有结论再找问题） ## CEQ 选题分诊台（编辑初筛常见去向） CEQ 主编初审会用 JEL 号分派稿件，并在几分钟内判断"问题是否值得送外审"。下表把常见选题原型映射到主编大概率的处置，帮你在动笔前自我分诊。注意这是基于本刊公开偏好（机制清楚、可建模、国际可对话）的经验归纳，非编辑部内部统计。 | 选题原型 | 主编初审大概率反应 | 重塑方向 | |----------|--------------------|----------| | "某省试点 X 政策对企业 Y 的影响" | 偏政策评估，问外生性 | 把交错推行当识别来源，提炼可推广机制 | | "数字经济/ESG 与绩效相关性" | 相关性堆叠、机制空，易退 | 找清晰外生冲击，限定一条可证伪渠道 | | "用中国数据
- 触发时机
- CEQ 选题的三个硬条件
- 从弱选题到强选题（对照）
- 选题前置三问
- 自检清单
- 反模式
- CEQ 选题分诊台（编辑初筛常见去向）
- 微型走查：从"政策影响"到 CEQ 级问题
- 审稿人会怎么追问选题
- 输出格式
What does the ceq-topic-selection skill do?
Use when shaping or sharpening a 《经济学(季刊)》 (China Economic Quarterly, CEQ) research question — turning data/correlation into a clean causal, model-able, internationally-legible topic that a field economist can recognize as a contribution. Use before literature review and identification.
How do I install it?
Run `npx skills add brycewang-stanford/Awesome-Journal-Skills --skill ceq-topic-selection --agent claude-code` — it drops the skill into your project so the agent can pick it up. Swap the --agent value for codex, cursor or copilot if you use one of those.
Where does this skill come from?
From brycewang-stanford/Awesome-Journal-Skills, a repository with 909 stars. We read it straight from the repository tree rather than a submitted listing, so what you see here is what is actually published.
Is a popular skill a good skill?
Not necessarily. Stars measure attention, not adoption — a repository can trend for a week and be abandoned. That is why we show the weekly change from our own snapshots next to the total, instead of a single flattering number.