“我有一份2020–2023年北京市街道级面板数据。outcome 是居民满意度评分（1–5），unit 是街道–年度。我想理解为什么相似行政级别的街道，居民满意度差异很大。请先帮我 clarify：(1) 这个 outcome 有没有其他合理的 measurement，(2) 列出3个可能的 mechanism 和对应的 observable implications，(3) 指出哪个 mechanism 最容易被反駋。”

“我有以下变量：X1 eco-efficiency, X2 budget per capita, X3 staff count, X4 digitalization index。请帮我检查：(1) 每个变量是否真的 operationalize 了我的 mechanism（eco-efficiency → citizen co-production），(2) X3 和 X4 是不是只是 proxy 而不是 mechanism 本身，(3) 建议一个 train/test split 策略，注意面板数据的时间结构。”

“三种模型的结果如下。请帮我分析：(1) 哪些变量在三种模型中都显著（robust），(2) 哪些只在某个模型中出现（unstable），(3) 哪些结果支持我的 mechanism，哪些不支持。最后，我们现在的证据最多能支持哪一层 claim？prediction？association？causality？”

“请构建一个 evidence packet：(1) 数据质量——missingness、outliers、leakage 检查，(2) 模型——每种方法的 test error 和 subgroup error，(3) 解释——分成 supported / uncertain / prohibited 三类。对于 prohibited 的，请说明为什么不能这么说。”

“根据我们的证据，请帮我判断：我们的 claim ceiling 在哪？(A) 这个模型能预测新数据（prediction），(B) 变量之间有稳定的共变关系（association），(C) 存在一个 plausible 的 mechanism，(D) 我们识别了一个 causal effect。请对每个层级打勾或打叉，并说明需要什么额外证据才能升级。”