教育回报率（Mincer 方程）交互式分析看板产品系统

本项目基于经典的 Mincer 工资方程，模拟生成教育、工作经验与工资水平的关联数据，构建了一个交互式分析看板。
1. 立项原因：旨在解决传统教育回报率研究中，数据静态、分析过程不透明的问题，让用户可以直观地探索教育投入与经济回报的关系。
2. 行业场景：应用于教育经济学、劳动经济学等学术研究场景，以及企业人力资源分析、个人职业规划等商业场景，帮助用户理解人力资本投资的价值。

本项目是一个基于 Streamlit 框架开发的交互式数据分析看板，核心功能模块包括：
1. 数据筛选模块：支持按性别、教育年限范围进行动态筛选，实时更新分析结果。
2. 数据概览模块：展示筛选后样本的核心统计指标（样本量、平均教育年限、平均工资等），并提供详细的数据表格。
3. 描述性统计模块：提供整体和分组（按性别）的描述性统计分析，帮助用户快速把握数据分布。
4. 回归分析模块：基于 Statsmodels 库拟合 Mincer 方程，支持稳健标准误校正，输出详细的回归结果和核心系数解读。
5. 可视化分析模块：生成教育年限与工资关系的散点图和回归系数森林图，直观展示变量间的关系。
6. 导出功能模块：支持将分析报告（TXT 格式）和核心数据（Excel 格式）一键导出，方便后续使用和分享。

1. 我的任务：我负责整个项目的全流程实现，包括数据模拟、模型构建、交互设计、可视化开发和导出功能的编写。
2. 技术栈与亮点：
- 核心技术：使用 Python 作为开发语言，Streamlit 构建交互式 Web 界面，Pandas 进行数据处理，Statsmodels 拟合计量经济学模型，Matplotlib/Seaborn 进行数据可视化。
- 实现亮点：采用st.cache_data缓存数据，提升交互响应速度；支持稳健标准误（HC1）校正，使回归结果更符合学术规范；实现了 TXT 报告和 Excel 数据的一键导出，增强了项目的实用性；适配了非交互式后端（Agg），确保图表在 Web 环境中稳定渲染。
- 难点解决：解决了 Streamlit 环境下 Matplotlib 图表渲染冲突的问题，通过强制指定后端和优化绘图代码，保证了可视化效果的稳定性。