HHStataToolkit 是一套为 Stata 开发的高性能统计计算插件，核心模块使用 C 语言编写并支持 OpenMP 多线程并行，部分插件还提供 GPU 加速版本。工具包涵盖核密度估计、核回归、决策树与随机森林、双重机器学习等常用计量与机器学习方法，同时附带若干实用的数据清洗与辅助命令。
核心插件
| 插件 | 功能 | 亮点 |
|---|---|---|
| kdensity2 | 核密度估计 | 支持一维/多元、多分组、乘积核、交叉验证选带宽；训练/预测分离；GPU 加速支持 |
| nwreg | Nadaraya-Watson 核回归 | 支持多元回归、多分组、稳健标准误、CV 带宽、局部多项式回归（poly()）、导数估计（derivatives()）；训练/预测分离；GPU 加速支持 |
| fangorn | 决策树与随机森林 | Gini/Entropy/MSE 分裂准则、预排序加速、CV 选深度、OOB 误差、MDI 变量重要性、分位数分裂策略（ntiles）、Mermaid 流程图导出 |
| xpofangorn | 双重机器学习部分线性模型 | K-折交叉拟合、自动识别二元/连续处理变量、随机森林估计干扰函数、支持聚类标准误 |
特色功能
- 训练/预测分离（target split）：通过
target()选项将样本划分为训练集与目标集，便于处理组/对照组的反事实预测与共同支撑分析。 - 多维分组原生支持：
kdensity2与nwreg可直接使用多个分组变量（含字符串变量自动编码），无需官方命令的单by()限制。 - 数值可复现：所有 C 插件已通过 1 核与 16 核环境下的 bit-identical 可复现性验证，并行计算不引入数值差异。
- 跨平台：支持 Linux（GCC）、macOS（Intel/Apple Silicon）与 Windows（MinGW 交叉编译）。
实用命令（纯 Stata）
single_ado/ 目录下包含若干纯 Stata 编写的辅助命令，无需编译即可使用：
| 命令 | 功能 |
|---|---|
| csadensity | 基于核密度的处理组/对照组共同支持域（CSA）识别，支持分组计算 |
| bprecall | 二元分类评估指标：精确率（precision）、召回率（recall）、准确率（accuracy）、F1 分数 |
| countdistinct | 统计变量组合的唯一值数量，支持生成标记变量 |
| dta2md | 将 .dta 文件的元数据与描述性统计导出为 Markdown 格式，便于 LLM 读取数据集文档 |
| gen_init_var | 面板数据初始化：从基年观测值向前填充生成面板变量 |
| gencatutility | 为有序分类变量计算连续效用分数 |
| labelvalidsample | 生成完整观测（无缺失值）的二进制标记变量 |
使用示例
各模块的完整使用示例已随附在项目中，包含详细的数据生成过程、Stata 代码和结果说明：
csadensity — 共同支持域
基于 test_csa.do 的两个测试场景，说明分组共同支持域的计算与可视化。
nwreg — Nadaraya-Watson 核回归
使用与 fangorn 示例相同的 DGP，展示核回归在反事实预测中的应用，可与决策树/随机森林的结果进行对比。
fangorn — 决策树与随机森林
展示 target() 选项在因果推断中用于反事实预测的核心功能，包含有放回抽样、组内预测和 Mermaid 流程图导出。
开源信息
- 许可证：MIT
- 代码仓库： GitHub
- 开发环境：Stata 18 MP，C11/OpenMP，可选 CUDA
注意：对于因果推断，更好的方法是使用 causal forest 和 generalized random forest（Athey & Imbens, 2016; Athey, Tibshirani & Wager, 2019），仍待开发。当前
xpofangorn通过双重机器学习（DML）提供了部分线性模型的估计，而fangorn的target()选项提供了一种简化的反事实预测方式，但两者尚不具备异质性处理效应（CATE）的无偏估计、honest 分裂等 causal forest 的核心特性。