识别策略
核心思路：分阶段反事实
AgriPolicy Sandbox 把"政策效应"定义为同一批农户在政策前 / 政策后表现差异的因果式估计， 而非简单的前后统计比较。具体分两阶段：
text
阶段一（baseline_steps 季） 空政策运行 → 建立"政策前"基准 Y₀
│
│ env.apply_policy(scenario.policy)
▼
阶段二（policy_steps 季） 施加情景政策 → 观察"政策后"表现 Y₁
处理效应 τ ≈ Y₁ − Y₀ （同一批农户，个体异质性被控制）为什么同批样本能控制异质性
传统"不同农户前后对照"会被农户间不可观测差异（风险偏好、资产、兼业）混淆。 本设计让同一批农户先在无政策下运行、再在政策下运行，农户特征在两阶段完全不变， 因此两阶段差异可更干净地归因于政策冲击，得到 cleaner 的处理效应估计。
对应 AgentSociety² 的
AgentSociety.run两次调用之间插入env.apply_policy， 而非重建世界——保证"人"不变，只变"政策"。
重复与不确定性
每个 (情景, 重复) 组合使用不同随机种子（seed + repeat）与农户抽样，重复运行多次：
- 估计效应的分布与置信区间（bootstrap / 重复均值 ± 标准差）；
- 农户级净收入处理效应（政策期均值 − 基线期均值）的均值与离散度，由
analyze直接输出。
机制识别
除宏观处理效应外，还通过两类数据做机制检验：
- 量化机制：政策工具是显式、可独立施加的（
set_subsidy等），可直接观察某工具对特定指标的边际影响； - 质性机制：读取农户工作区决策日志与对话，对"风险预期路径""收益比较路径"做质性编码，看机制是否出现。
对效度的自觉
- 内部效度：分阶段同批设计提升了政策→结果的因果可信度；
- 外部效度：模拟是受控实验，结论应定位为"机制性启示"而非"因果估计"，真实效果须以标定后的参数、 平台运行数据与统计推断为准；
- 敏感性：正式实验应报告参数来源与敏感性分析（
economics.json可标定），避免示意值被误读为真实政策效果。