econ
04-14 00:00
本文针对日本等政府债务高企（超GDP 240%）、增长乏力的经济体，提出了“日本金融抑制r-g（JFR-rg）”宏观经济分析框架。该模型在Blanchard（2019）基础上，引入了可直接观测的金融抑制偏差（$\epsilon_t = \pi_t - r^n_t$）和非线性汇率传导渠道。其核心理论贡献包括：1）在（$\epsilon_t$, $g^n*_t$）空间内刻画稳定性的“债务可持续走廊”；2）表明临时政策失误会导致债务路径持续走高的“路径依赖定理”；3）内生化JFR-rg稳定制度前提的“受控金融体系参数（$\phi_t$）”。反事实模拟揭示了“正常化陷阱”：激进的加息可能产生适得其反的债务动态。对于具备类似制度特征的经济体，将由此产生的“抑制红利”战略性投入生产性投资，可能成为一种依制度而定的均衡选择。
金融抑制债务可持续性宏观经济模型日本经济财政政策路径依赖
econ
04-14 00:00
本研究提出一种两阶段预测架构，用于处理包含宏观指标、机构数据和公司投资比率的混合型面板数据。第一阶段使用全局池化AR(1)模型捕捉共享持久性，第二阶段采用分块局部模型处理残差动态。该方法将全样本外预测R²从0.630提升至0.677（Δ = +0.047），在10/10时间窗口上显著。研究发现，科技/健康板块贡献了约72%的增益，表明跨部门协同运动因子的重要性。该方法仅在异质混合型面板上有效，在纯公司面板上无效，凸显了数据类型异质性的关键作用。
面板预测异质数据因子模型投资分析机器学习经济计量
econ
04-14 00:00
本文提出了一种新的“耦合设计”方法，将分层随机化的基本原理扩展到具有连续、约束多变量、文本/图像等不规则处理空间的实验中。该方法首先将实验单元匹配成同质组，然后使用蒙特卡洛耦合技术在组内分配在处理空间中高度分散的处理。研究表明，确保相似的实验单元接受高度不同的处理通常能提高估计效率。效率增益与“分散度”和“匹配质量”的乘积成正比，其中分散度衡量了在给定耦合下处理分配相对于独立随机化的分散程度。通过新的谱分析，揭示了效率如何取决于估计量影响函数的平滑度/形状与给定耦合主方向之间的匹配。
实验设计随机化耦合设计估计效率蒙特卡洛方法谱分析
econ
04-14 00:00
本文构建模型探讨生产组织方式对民主问责的影响。研究发现，学习经济促使专业化分工高效，多数工人从事单一领域任务，少数知识整合者维持系统协调性。当政策影响跨领域时，整合者比专家更易理解其后果，导致选举竞争偏向服务整合者利益。整体系统知识水平低下会削弱治理效能，降低公共资源转化为公民所需服务的比例。劳动力市场未能对系统知识的政治回报进行定价，因此拓宽常规专家的知识面可能提升社会福利。该研究为通识教育辩论与人工智能影响提供了理论视角。
生产组织民主问责知识整合专业化分工治理效能劳动力市场
econ
04-14 00:00
本研究证明了在多向依赖数据结构下，Manski（1975）提出的最大得分估计量能够获得参数速率的渐近正态性，突破了传统独立同分布假设下非高斯极限分布（立方根渐近）的限制。通过发展适用于非光滑目标函数的一般M估计理论，研究为存在复杂依赖关系的二元选择模型提供了有效的推断工具，并进一步验证了自助法程序的有效性。
最大得分估计非光滑m估计多向依赖渐近正态性统计推断二元选择模型
econ
04-14 00:00
本研究通过微调PatentSBERTa模型，构建了一个高精度AI专利分类器（F1分数达94.0%），显著改进了现有USPTO方法。应用该工具分析1976-2023年美国专利与2010-2023年中国专利发现：两国AI专利申请均快速增长，技术领域构成趋同，但中国近年专利数量已超越美国。创新组织模式差异显著：美国集中于大型私营企业与成熟创新中心，中国则更为地理分散且机构多元，高校与国企角色突出。AI专利为上市公司带来显著市值溢价，跨境引用分析显示技术相互依存持续，中国对美前沿知识依赖度更高。
人工智能专利专利计量中美比较创新组织知识流动市场价值
econ
04-14 00:00
本研究结合机器学习与归因映射方法，分析了美国各县4713项热浪相关政策对11177条人口迁移流的影响。研究发现，热适应政策（APs）与热减缓政策（MPs）对国内人口迁移具有显著且相反的作用：适应政策减少迁出，而减缓政策增加迁出。具体而言，迁出地的行为与文化类减缓政策使年迁出率增加0.24%-0.68%（95%置信区间），而目的地的同类适应政策则使迁出率增加0.11%-1.55%。迁移模式受到收入、老龄化、教育水平和种族多样性等因素的非线性调节，其中老龄化率与政策影响呈U型或倒U型关系。
气候政策人口迁移机器学习归因分析美国研究政策评估
econ
04-14 00:00
本文提出一种“无能力国家”的政治经济学理论，指出在特定制度与地缘政治条件下，政体可能陷入名义国家均衡：即主权主张、外部承认与象征合法性持续存在甚至强化，但有效国家所需的强制、财政、行政与法律能力却依然薄弱。该机制由三种力量驱动：碎片化精英为维持自主控制与地方租金而抵制权力整合；外部转移支付降低了制度不整合的即时成本；国际承认与象征认可对国内行政绩效的约束较弱，导致“承认资本”积累快于“能力资本”。理论揭示了法律/象征国家与有效国家间的动态背离，对投资、财政脆弱性、腐败及冲突冲击脆弱性具有重要影响，并以巴勒斯坦为例进行了应用分析。
国家能力制度整合名义主权精英碎片化国际承认政治经济学
econ
04-14 00:00
本研究提出了一种利用再生核希尔伯特空间（RKHS）方法估计部分线性工具变量回归中平均边际效应的新程序。该方法仅依赖单一正则化参数，证明了估计量的一致性和渐近正态性。由于极限分布的方差形式复杂，作者提出了一种贝叶斯自助法进行统计推断并验证了其有效性。该方法易于实现，在模拟中表现出良好的有限样本性能，并通过三个实证应用展示了其在真实数据上的经济意义。
工具变量回归平均边际效应再生核希尔伯特空间贝叶斯自助法部分线性模型计量经济学
econ
04-14 00:00
本研究基于欧洲健康、老龄化与退休调查（SHARE）第六轮数据，分析了41,934名受访者在12个国家的调查结果。研究发现，当调查员对受访者报告收入的意愿有更高预期时，受访者更可能提供收入与资产信息。研究比较了处理缺失协变量的三种方法：完整案例分析、多重插补以及基于信息准则模型平均的广义缺失指标框架。结果表明，调查员的预期对理解敏感财务问题的无应答具有重要价值，对调查员培训与实地调查设计有潜在启示。
调查误差无应答财务报告调查员效应数据缺失处理
econ
04-14 00:00
本文提出一个理论框架，探讨人工智能如何通过算法协调、结构流动性和混合代理三种机制，将组织结构转变为“沙漏”形态——AI承担传统中层管理职能。研究结合制度理论与数字化转型，分析了发达与新兴市场中这些机制的不同运作模式，指出AI驱动的组织策略虽具全球性，但成功应用需充分考虑技术能力、文化维度和市场情境。
人工智能组织结构算法协调数字化转型制度理论新兴市场
econ
04-14 00:00
本研究探讨了如何利用可验证奖励的强化学习（RLVR）来训练大语言模型进行双边价格谈判。通过建立一个买方智能体与受监管的LLM卖方在广泛真实产品分布上进行对抗训练的框架，并将奖励信号直接锚定于经济剩余最大化和严格遵守私人预算约束，研究揭示了智能体谈判策略的四阶段演化过程：从天真议价到使用激进起始价格，经历僵局阶段，最终发展出复杂的说服技巧。结果表明，经过此方法训练的300亿参数智能体在获取经济剩余方面，显著优于规模大其十倍的前沿模型，并能泛化至训练中未见的更强对手，甚至在面对敌对卖方时也保持有效。
强化学习大语言模型谈判策略经济博弈智能体训练可验证奖励
econ
04-14 00:00
本研究通过在Stack Overflow（N=22,856）进行预注册实验，随机为新发布问题分配匿名点赞。结果显示，获得点赞的用户在四周内再次提问的概率提高6.3%，回答他人问题的概率提高12.9%。第二个点赞无额外效应。回答行为的提升效应更大、更持久（十二周后仍显著）。研究进一步区分了点赞的直接激励效应与算法放大（提高问题排名和可见性）的作用：对提问行为的影响主要来自直接激励；而对回答行为的影响，算法放大（通过增加他人回答概率，进而激励提问者参与社区）起重要作用。
在线社区行为激励算法效应公共品贡献实验研究
econ
04-14 00:00
本文针对通过信息缩减观测映射得到的随机过程，在可观测层面构建了一个熵率最大化问题。对于一个给定的可见平稳律，观测映射确定了一个生成该律的隐藏平稳律集合（观测纤维）。在有限状态有限记忆设定下，保留的可见约束定义了一类可行的平稳$(r+1)$-块律，熵率最大化器即在此类上定义。研究证明了最大化器的存在性与唯一性（在固定上下文边际假设下或更一般地通过行比例性的严格凹性刻画）。核心发现包括：固定单点边际得到独立同分布最大化器，固定$r$-块律得到$(r-1)$-步马尔可夫扩展。间隙泛函等于一个条件互信息，并在最大化补全处消失为零。
熵率最大化部分可观测过程信息论随机过程统计推断隐马尔可夫模型
econ
04-14 00:00
本文研究了在有限箭图上定义的变长马尔可夫链，该模型为具有关联约束的上下文相关随机增长提供了自然框架。作者通过有限边界窗口观测链，发展了一套基于平稳可见一步转移律及其在指定切块上受限微分的一阶可见深度可识别性理论。核心对象是平稳一步信息映射 $q_{\mathcal{Q}}^{(m)}$。在边齐次机制下，一旦局部可见支撑固定且表示假设成立，所有允许的可见深度编码相同的边级扩展律，因而具有相同的一阶秩。在上下文长度为 $r$ 的精确深度机制下，深度 $r$ 的边界过程是规范的有限状态马尔可夫链，更小的可见窗口是其确定性截断，且每个更粗的信息映射在相关仿射转移阵列邻域上 $C^1$ 光滑地通过深度 $r$ 的信息映射分解。因此，秩无法超过深度 $r$。作者在商去深度 $r$ 已不可见的方向后，精确刻画了严格粗深度损失，等价于从深度 $r$ 到深度 $m$ 在原切块上的严格秩降。研究还给出了基于子空间和全局选定坐标的判据，一个全局单坐标分支判据，以及一个显式的深度二示例。在满足完全细深度秩和每个更小深度严格坐标秩损失的条件下，全局坐标秩定理给出 $m_*(T,\theta_0)=r$。约化局部坐标移除了随机冗余，一阶判据在 $C^1$ 重参数化下不变，其统计与局部渐近正态性结果依赖于额外的估计和似然水平假设。
变长马尔可夫链箭图可识别性深度理论秩比较随机增长
econ
04-14 00:00
本文研究有限可逆可聚合马尔可夫链，发现松弛谱压缩比分区约束压缩能获得更大的行列式值。针对对称六状态链及正算子 $T=P^2$，作者比较了松弛基准 $\mathfrak D^{\mathrm{rel}}_3(T):=\sup_{U^*U=I_3}\det(U^*TU)$ 与分区约束基准 $\sup_{\mathcal A\,\mathrm{3\text{-}partition}}\det Q_{\mathcal A}(T)$。通过推导两个核心分区族的闭式解，证明在局部模式主导区域内的严格上界，并结合对六状态模型中所有90个非空三单元分区的穷举枚举，最终证明存在严格全局间隙：$\sup_{\mathcal A}\det Q_{\mathcal A}(T)<\mathfrak D^{\mathrm{rel}}_3(T)$。这表明基于指示向量的分区框架在全局优化后仍严格弱于松弛正交框架。
马尔可夫链谱压缩分区约束行列式优化可聚合性
econ
04-14 00:00
本研究提出了一种结构性的深度学习方法，将深度神经网络嵌入随机效用Logit模型，用于分析联合实验数据。该方法能够以完全灵活的函数形式，让偏好参数随受访者特征变化，从而克服传统参数化设定可能无法捕捉真实数据生成过程的局限。通过双重/去偏机器学习技术，研究为平均偏好参数提供了有效的统计推断。应用于三项著名的联合实验研究发现，简单的平均效应背后隐藏着丰富的偏好异质性：接近零的性别效应与83%的受访者偏好女性候选人并存；反对非民主行为近乎普遍，但强度差异显著；累进税偏好跨越了所有党派亚群体。
联合实验深度学习偏好异质性结构模型随机效用因果推断
econ
04-14 00:00
本文扩展了新古典增长框架，将技术转移建模为全要素生产率（TFP）增长的核心驱动力。研究提出一个基于羊群效应的微观机制：个体在自身激励与同伴效应的共同作用下，从“非采纳者”转变为“采纳者”，从而推动前沿技术的扩散。该模型得出了TFP动态的显式解析解，其非线性收敛特征能更好地拟合现实。研究利用经合组织（OECD）中东欧经济体的生产率数据对模型进行了验证，为理解技术扩散与长期经济趋同提供了新的理论视角。
技术转移经济趋同羊群效应生产率增长新古典模型东欧经济
econ
04-14 00:00
本研究分析了三种贸易政策（友岸外包、友岸+1、回岸生产）对全球电动汽车供应链网络的结构性影响。研究发现，友岸外包政策并未如预期般减少全球化，反而通过增加友好国家间的供应链接提高了网络密度，可能增加交易成本。回岸生产政策在电动汽车领域面临挑战，因存在大量不可替代产品。政策效果存在行业差异，例如矿产品在友岸+1政策中受影响较小。
供应链韧性贸易政策电动汽车网络分析全球化
econ
04-14 00:00
本研究提出了首个适用于无限期动态离散选择模型的通用估计器——非嵌套定点（UFXP）和最优非嵌套定点（OUFXP）估计器。该方法利用贝尔曼方程的对偶表示，将效用参数与动态规划定点问题分离，从而在预计算后避免了求解大型线性方程组的负担。研究证明了UFXP和OUFXP的一致性与渐近正态性，以及OUFXP的有效性。该方法支持通过灵活的神经网络近似对效用函数进行非参数建模。
动态离散选择神经网络非参数估计贝尔曼方程计量经济学
econ
04-14 00:00
本文研究了当委托人将信息设计委托给一个需要承担凸成本、且其报酬与结果挂钩的中介时，贝叶斯劝说中的道德风险问题。研究精确刻画了实现一阶最优（first-best）的条件：要求委托人和中介在目标实验诱导的后验信念上的简化形式收益指数局部仿射对齐；更强的全局对齐条件则保证可实现性。在全局对齐条件之外，道德风险通常阻碍一阶最优的实现。研究进一步刻画了二阶最优（second-best）：委托人的问题可转化为一个虚拟的贝叶斯劝说问题，其目标函数因与中介对后验估值的影子成本成比例而扭曲。在熵成本下，道德风险会压缩后验信念的离散度。在一个两状态、二元行动的接收者环境中，最优二阶最优实验具有易处理的双后验形式，其后验端点和混合权重有显式公式，最优转移支付表可由影子价格、转移支付缺口和参与约束构成的三角系统闭式刻画。数值示例量化了这种压缩：在基准参数下，道德风险使后验信念的展布相对于一阶最优减少了约28%。
贝叶斯劝说道德风险信息设计委托代理激励机制最优实验
econ
04-14 00:00
本文研究了在匹配市场中，当签约时间影响收益时，平台应如何选择机制。作者提出了一个时序-进入-规模（TEV）分析框架，揭示了从机制设计到签约速度、参与激励、匹配规模和收入的因果链条。研究发现，与即时定价相比，荷兰式拍卖（降价时钟机制）的优势取决于收益差距和时机差距，其适用性随等待成本变化。与批量清算基准相比，荷兰式拍卖在时序和支付两方面均占优。在双边市场中，跨边互补性会将单边优势放大为双边均衡优势，并在匹配剩余足够大时带来福利提升。所有优势条件均可用可估计的量化指标表述。
匹配市场拍卖机制等待成本平台设计时序分析双边市场
econ
04-14 00:00
本文针对上游机器学习模型生成的代理变量在计量经济学模型中的使用问题，提出了一个部分识别与推断的通用框架。该方法无需对上游机器学习过程施加一致性或已知收敛速度等严格假设，也无需包含下游分析所有变量的完整验证样本。核心思路是将代理变量视为连接下游样本（含协变量与代理变量）与辅助验证样本（含代理变量及其目标变量）的桥梁，而非潜在目标变量的直接噪声替代。基于无条件最优运输的表征，作者开发了尖锐的识别策略，并提供了无需重采样、使用解析临界值来控制渐近规模的推断程序。蒙特卡洛模拟表明，该方法在各种预测精度场景下均能实现可靠的规模控制和信息丰富的置信集。
机器学习代理变量部分识别计量推断数据组合最优运输
econ
04-14 00:00
本研究在Agentic ROI框架基础上，提出了“知识复利”这一可量化概念，并通过在工业级多智能体框架上的四轮查询对照实验进行验证。核心理论突破在于揭示了传统智能体成本模型中“任务成本相互独立”的假设在引入持久化、结构化知识层后不再成立。实验表明，在相同领域连续查询中，采用知识复利机制累计消耗47K tokens，而匹配的RAG基线消耗305K tokens，节省84.6%。校准的30天预测显示，在中高主题集中度下可分别实现53.7%和81.3%的累计节省，且差距随时间单调扩大。研究进一步从微观经济机制上将LLM tokens重新归类为资本品，推动了经济分析从静态边际成本向动态资本积累的范式转变。
知识复利智能体经济llm成本优化动态roi模型资本积累