法官管理如何影响集体诉讼：Lone Pine命令与示范性审判的作用
本研究评估了法官在复杂集体诉讼中的两种关键管理工具——Lone Pine命令与示范性审判——对案件结果的影响。通过分析1992年至2017年的数据发现，要求原告提供伤害与因果关系证据的Lone Pine命令，显著增加了在集体诉讼程序中得到解决的案件数量。这为优化诉讼管理、平衡效率与公正提供了实证依据。
2025-12-11 速览 · 经济学
2025-12-11 共 18 条抓取，按综合热度排序
无需先验信息的采购机制：简单规则实现高效社会剩余
本文研究当买方对供应商成本一无所知且无先验信念时，如何设计采购机制。研究发现，一种简单的机制——将买方效用按固定比例与卖方分享——能够保证买方在所有可能的成本下，都能获得一个确定比例的有效社会剩余。通过基于已知需求明智地选择分享比例，该机制甚至能在所有可能（任意复杂和非线性）的机制和成本函数中，最大化可实现的剩余比例保证。该结论在相关的非线性定价和最优监管问题中同样成立。
高维回归模型贝叶斯推断的去偏方法
本文针对高维回归模型中基于稀疏先验（如尖峰-厚尾、马蹄型）的贝叶斯推断提出了一种新颖的去偏方法。该方法能校正整个后验分布的偏差，并建立了一个新的Bernstein-von Mises定理，从理论上保证了去偏后验的频数有效性，使得可信集在渐近意义上可作为有效的置信集。通过蒙特卡洛模拟和两个经济学实证应用验证了其优越性能。
基于文本数据构建自动化腐败指数：巴西市政审计报告的应用
本研究利用巴西市政审计报告，通过构建审计违规词典并结合主成分分析，开发了一种自动化的腐败指数。该指数与独立人工编码结果高度一致，在编码员共识高的样本中，能解释71-73%的人工编码腐败计数变异，且结果稳健。指数表现符合理论预期，与先前研究关联腐败的市政特征相关。监督学习方法得出的市政排名与该指数高度相似（R²=0.98），验证了词典方法捕捉了相同的潜在结构。该方法可扩展至全部审计语料，在透明度、成本和长期可复现性方面优于人工编码和大型语言模型。
深度神经网络逼近理论新突破：全连接网络实现最优估计率
本研究改进了Farrell等人（2021）关于深度前馈神经网络估计器的非渐近高概率界。原理论在针对全连接网络时收敛率次优。通过为更窄的全连接深度神经网络推导出专门的逼近界，本工作证明原定理可被改进以达到（在对数因子意义下）最优的收敛率。此外，研究还简要展示了深度神经网络估计器能够缓解具有组合结构函数及定义在流形上函数的维度诅咒问题。
因果中介分析新方法：平衡权重提升估计稳定性与准确性
本文针对因果中介分析中估计自然直接与间接效应的标准方法（如基于高效影响函数的估计器和逆概率加权估计器）存在的两大问题——估计不稳定性和有限样本协变量失衡——提出了改进方案。研究者开发了一种新算法，通过直接惩罚权重离散度并强制实现协变量与中介变量的近似平衡，从而获得更优的权重。理论证明新权重具有收敛性，所得估计量渐近正态且达到半参数效率界。模拟实验表明，在模型设定错误等挑战性场景下，新方法的表现优于现有主流估计器。该方法已应用于研究媒体框架对移民态度影响的真实数据集。
建筑原材料价格预测新框架：结合计量经济学与机器学习方法
本研究针对建筑原材料价格持续波动带来的成本估算风险，开发了一个基于建筑规范学会（CSI）MasterFormat数据结构的精细化预测框架。该框架整合了原材料价格、商品指数和宏观经济指标等解释变量，并在仅用CSI数据的基线配置和加入解释变量的扩展版本中，评估了LSTM、ARIMA、VECM和Chronos-Bolt四种时序模型的性能。结果表明，引入解释变量能显著提升所有模型的预测精度，其中LSTM模型表现最优，其RMSE和MAPE值分别低至1.390和0.957，相比传统ARIMA模型提升高达59%。该框架在多个CSI分部验证了其可扩展性，为业主和承包商在项目确定阶段实现更可靠的预算与成本估算提供了稳健的方法论。
核三通回归滤波：非线性高维时间序列预测新方法
本文针对高维时间序列预测中传统因子模型的局限性，提出了核三通回归滤波（K3PRF）方法。该方法在Kelly & Pruitt（2015）三通回归滤波的基础上，通过引入核技巧，有效解决了预测变量与潜在因子之间依赖关系可能非线性的问题。新方法计算高效，实证表现优异，在短期预测上与传统模型相当或更优，在长期预测上则显示出显著改进。
合同期限如何影响买家支付意愿？美国木材市场研究揭示期权价值
本研究通过美国木材行业合同数据，量化了合同期限对买家支付意愿的影响。研究发现，买家通过延迟消费来管理收益风险，导致支付意愿存在异质性。利用结构估计方法，研究揭示了延迟消费激励的关键参数，并通过反事实模拟发现，将合同期限从3年延长至4年，可使卖方收入增加9-13%，且该效应在大型项目、高价值买家及市场上升期更为显著。
实证贝叶斯估计在增值回归中的自动推断方法
本文研究了在增值回归中使用经验贝叶斯收缩估计量时，下游回归系数的估计偏差和推断有效性。研究发现，若收缩估计量未考虑噪声的异方差性，会导致估计量渐进有偏且推断无效。相反，若正确构建模型以处理异方差性，收缩估计量能实现自动偏差校正，使回归估计量渐进无偏、渐进正态且高效，其渐进等价于对真实（潜在）增值进行回归。在此情况下，基于收缩估计量的OLS标准误也是一致的，为实践者提供了简便高效的推断方法。
多重假设检验后效应量的有效推断方法
本文针对多重假设检验后选择性报告显著效应导致的估计偏差和置信区间覆盖不足问题，提出了新的估计量和置信区间构建方法。该方法基于选择性条件推断原理，适用于包括逐步检验和基于bootstrap的逐步向下检验在内的多种检验，并能处理大规模应用场景。研究通过两个实证案例展示了偏差校正和置信区间调整的效果，并指出校正的幅度和方向取决于估计效应间的相关结构。
国际价格与收入比较的实证福利内涵：揭示偏好视角下的新发现
本文通过揭示偏好理论推导出福利的多边边界，用以评估主流国际比较方法（如购买力平价PPP和实际收入）的福利可解释性。研究发现，当代主流指数具有福利可解释性，而市场汇率则不具备。采用福利一致的多边指数进行测算，2017年世界相对于美国的经济规模更大、不平等程度更低，这与传统衡量结果存在差异。
大语言模型隐藏状态蕴含经济信息，超越文本输出
研究发现，大型语言模型的隐藏状态可用于估计和填补经济与金融统计数据。在县级和公司级变量上，基于开源模型隐藏状态训练的简单线性模型，其表现优于模型自身的文本输出。这表明隐藏状态比直接回答蕴含更丰富的经济信息。仅需数十个标注样本即可有效训练，且提出的迁移学习方法无需目标变量标注数据即可提升估计精度。该方法在超分辨率和数据填补任务中展现了实用价值。
AI智能体使用全景图：Perplexity Comet Assistant早期证据揭示用户画像与核心场景
本研究基于Perplexity旗下AI浏览器Comet的数亿次匿名交互数据，首次对开放网络环境中通用AI智能体的采用、使用强度及用例进行了大规模实证分析。研究发现，早期采用者、人均GDP与教育水平较高国家的用户，以及从事数字技术、学术、金融等知识密集型行业的从业者更倾向于采纳并积极使用AI智能体。研究构建了一个分层分类法来系统刻画使用场景，结果显示，57%的查询集中于“生产力与工作流”及“学习与研究”两大主题，个人用途占55%。短期内用例粘性高，但长期用户会转向更具认知挑战性的主题。
实验设计新思路：通过事前筛选提升部分依从性下的因果推断效率
本研究探讨了在实验参与者存在部分依从性（即不完全遵守实验安排）的情况下，如何通过事前筛选参与者来优化实验设计。理论分析表明，理想的筛选策略是保留所有依从者并排除所有非依从者。这样做能同时实现三个目标：确保局部平均处理效应估计与未筛选时的标准2SLS估计一致、最小化中位数偏差，并最大化统计功效。由于实践中无法直接观测依从状态，作者讨论了可行的筛选策略，并提出了一种简单的筛选有效性检验方法。未来工作将通过实验验证该最优筛选设计的可行性与优势。
风险-保险平价：揭示风险厌恶与保险偏好的深层联系
本文提出“风险-保险平价”理论，系统性地将不同类别的保险合同与不同强度的风险厌恶概念联系起来。研究表明，经典的弱风险厌恶和强风险厌恶概念，可以通过对不同类型保险合同的偏好倾向来刻画，这推广了学界近期关于全额、比例及免赔额-限额合同偏好的研究。该理论不仅完整描述了与弱、强风险厌恶相对应的保险赔偿函数类别，还基于对纯免赔额合同和纯限额合同的偏好，定义了介于两者之间的两种新型风险厌恶概念。
市场分割如何实现再分配：垄断定价与消费者福利的权衡
本研究探讨了在垄断市场中，如何通过最优的市场分割策略来实现再分配目标。研究发现，最优的再分配性市场分割会促使卖方进行累进定价，即向富裕消费者收取比贫穷消费者更高的价格。然而，这种分割策略可能不会最大化消费者总剩余，反而可能为垄断者带来额外利润。研究进一步证明，这种最优的再分配性市场分割可以通过基于价格的监管政策来实施。
非参数检验：如何验证持续时间模型中的外生性假设
本文针对存在右删失数据的持续时间模型，提出了一种非参数检验方法，用于验证处理变量Z是否外生。该方法基于工具变量W，并假设所有协变量均为分类变量。核心在于检验条件秩V_T是否独立于(X, W)。研究克服了V_T被V_C删失带来的技术难题，证明了其估计量以快于常规参数速率的收敛速度趋于均匀分布。蒙特卡洛模拟验证了检验统计量及自助法临界值在有限样本下的良好性能，并以美国国家职业培训伙伴法案研究为例进行了实证应用。