Marx Max 可以配合本机已安装的 Stata，协助阅读 do-file、编写和执行命令、查看输出，并根据你的要求继续修改。你仍然使用 Stata 做计算，代码与结果可以在计算笔记本中查看；分析目的、样本选择和结果解释由你决定。
已有程序时，可以从定位报错或检查一段回归开始；刚拿到数据时，可以先做变量检查和描述统计。一次范围明确的任务，比“把整篇论文做出来”更容易形成可以检查、继续修改的成果。
你可以先查看实际计算案例与完整下载成果，再按下方步骤尝试。案例使用同样的 auto 数据与两模型设定，提供程序、系数表、日志和图，方便对照复做。
连接本机 Stata
Marx Max 不包含 Stata，也不能代替 Stata 授权。开始前，需要电脑上已有合法安装，且具备可用的官方 Python 接口。在“设置 → 科研工具”中找到 Stata，选择本机安装位置。新启动的计算环境会使用这个选择；更换设置不会立即改变正在运行的环境。
可以先向 AI 提出一个检查任务：
请检查当前环境能否使用 Stata。先不要读取我的研究数据、清空当前数据或运行已有程序，告诉我连接是否可用；如果不可用，说明需要处理的具体问题。
如果保存的安装位置已经不可用，回到设置重新选择。需要重启计算环境时，先保存代码和成果：重启会清空内存，数据和估计结果需要重新计算。Windows 安装版仍在内测，遇到连接问题应按实际提示核对，不把 Mac 上可用的环境直接视为 Windows 已就绪。系统要求见下载页。
Marx Max 通过计算笔记本使用 Stata。笔记本把代码和对应输出放在一起，方便逐段查看、修改和运行；使用 Stata 并不要求先学会 Python。
用自带数据完成第一次分析
新建一个练习项目和对话，使用 Stata 自带的 auto 数据。这份数据适合熟悉操作，不涉及把自己的研究材料交给模型。可以输入：
请使用 Stata 自带的 auto 数据做一次示例分析。先查看 price、weight、mpg 的变量信息和描述统计，再估计两个模型：先用 weight 解释 price，再加入 mpg。两个模型使用相同的有效样本和稳健标准误。展示代码、实际输出和样本量，不要将回归解释为因果关系。请在新的练习笔记本中运行，不改变已有分析。
对应的 Stata 命令可以写成：
sysuse auto, clear
describe price weight mpg
summarize price weight mpg
generate byte sample = !missing(price, weight, mpg)
regress price weight if sample, vce(robust)
estimates store baseline
regress price weight mpg if sample, vce(robust)
estimates store extended
estimates table baseline extended, b(%9.3f) se(%9.3f) stats(N r2)也可以下载这份完整 do-file，在新的 Stata 练习会话中独立运行。
这段代码先固定三个变量都非缺失的样本，再进行比较。clear 会替换当前内存中的数据，因此应放在新的练习环境中；分析自己的项目时，不应为重跑一段回归反复清空已处理的数据。
在 Python 计算笔记本里执行这一整段时，需要在首行加 %%stata，其余仍是普通 Stata 命令。Stata 官方文档介绍了这一方式。AI 可以协助安排代码，你不必手动配置这个接口。
根据真实输出比较模型
上述两个模型使用 74 个观测。在独立 PyStata 运行中，weight 的系数分别约为 2.044 和 1.747，第二个模型中 mpg 的系数约为 −49.512。这些数字是示例命令的核对结果，不代表 AI 总会选择同样的设定，也不是对汽车价格的因果结论。
看输出时，先核对数据、模型和样本，再看 AI 的解释。可以接着问：
根据刚才的实际输出，比较 weight 的系数、标准误、样本量和 R²。说明加入 mpg 后，weight 系数的解释条件怎样变化。无法由输出确定的原因不要猜测。
第二个模型中，weight 的系数是在给定 mpg 条件下的线性关系，不能只因为系数变小就称为“更正确”。本例固定了比较样本；自己的数据里，加入变量可能减少有效观测，仍要检查差异来自样本还是设定。研究判断需要变量含义和方法依据，不能从显著性或拟合程度直接推出。
已有数据和 do-file：先阅读，再运行
把本次任务需要的文件放在项目目录中，说明数据、程序入口和要做的工作。程序可能包含覆盖文件、批量处理或耗时计算，先阅读通常比立即执行更合适：
项目中有 analysis.do 和相应数据。请先阅读程序，说明输入、执行顺序和预期输出，暂时不要运行或修改。重点检查路径、变量名和依赖命令，不清楚的地方列出来。
确认理解无误后，再指定执行范围：
请运行描述统计和基准回归部分，保留原程序，不覆盖原始数据。将本次日志和结果另存到项目的输出目录，结束后核对报错、实际生成的文件及它们对应的模型。
数据能否交给 AI 处理还取决于许可、机构规定和保密要求。本机保存不等于模型处理时没有内容发送出去，开始前可先阅读研究数据与 AI 的处理说明。
处理报错，不悄悄改变分析
遇到报错，可以要求 AI 根据实际日志定位：
请指出失败命令与相关上下文，解释原因并提出最小修改。不要通过删除观测、替换变量或改变模型来让程序跑通。涉及样本或估计方法时，先说明影响，等待我确定。
路径错误、缺少命令和数据条件不满足，需要分别处理。改路径与改样本的后果不同；如果前面的数据处理变了，后面的回归和图表也要重新核对。对需要安装的第三方命令，先确认用途与来源，不能把未经确认的安装当成普通重跑。
保存能继续使用的成果
结束前，请 AI 整理本次代码、日志、结果和必要说明，并检查是否依赖当前内存：
将可独立运行的 Stata 部分整理成 do-file，保留数据读取和执行顺序。说明每个结果对应哪段程序、哪些步骤尚未验证；不要覆盖原稿。
保存笔记本可以保留代码与已保存的输出，但不恢复重启前的内存。若同时用了 Python 数据处理，还要保留相应程序或中间数据；只复制回归命令未必能重做完整流程。最后从明确的数据起点重新运行一次，再把这些材料用于下一次修改、合作者检查或论文复现。