Y Combinator创业融资研究：创始人背景影响有限，团队规模更关键
一项针对2005-2024年间4323家Y Combinator初创公司的研究发现，创始人背景（如FAANG工作经历或顶尖教育）对融资差异的解释力不足4%。回归分析显示，FAANG经历与融资额负相关（约-22%），但该结果不稳健。最稳健的发现是，创始团队规模每增加一人，融资额约增加21%，凸显团队动态的重要性。研究表明，行业趋势、产品质量等未观测因素在精英加速器融资决策中可能起主导作用。
2025-12-17 速览 · 经济学
2025-12-17 共 16 条抓取，按综合热度排序
创新如何重塑金融结构：股票市场与银行体系的相对演变
本研究基于1982-2021年75个国家的面板数据，探讨了创新对股票市场相对于银行部门发展的影响。研究发现，创新显著提升了股票市场的活跃度、效率和规模，但这种效应受到国家技术前沿距离和制度质量的调节。制度质量对市场活跃度和效率有正向调节作用，但对规模却有负向影响，且其调节效应可能非线性并随时间减弱。创新对市场活跃度的边际影响具有持久性。
多园区AI数据中心成本保留混合定价方法，解决地理差异下的预算失真问题
针对大型AI数据中心在多地采购相同设备时，传统按部署量加权的混合定价法虽能保留总成本，但可能引发辛普森悖论，导致设备排名逆转和决策信号扭曲。研究提出两种实用算子：双向固定效应算子通过分离全局设备效应与园区效应，在保持成本精确的同时提供可解释的分解；凸共同权重算子则在会计约束下计算单一园区权重集，建立位置稳健的基准以防止排名逆转。仿真与案例表明，新方法在维持成本准确性的同时，显著减少了排名违规。
波兰研究：灵活用工如何提升临时派遣服务商的竞争力
本研究基于对波兰企业管理者的调查，实证分析了灵活用工对企业竞争力的影响。研究发现，灵活用工安排能显著降低停工时间、加速员工入职流程并削减人事与招聘成本。它使企业能快速根据需求波动调整人力规模，并在无需长期承诺的情况下获取专业技能。此外，灵活用工增强了组织的市场响应能力，提升了短期项目的盈利能力，并加强了应对季节性和市场波动的韧性。研究指出，灵活性是客户满意度和忠诚度的关键决定因素，已超越单纯的成本控制，成为一种支持竞争力和可持续绩效的战略人力资源能力。
全球铝贸易数据揭示新型洗钱模式：硬件伪装与空岸转移
本研究提出了一种无监督机器学习框架，用于分析2020至2024年联合国贸易数据，以识别铝贸易中的异常行为。研究发现，在碳边境调节机制等政策影响下，主要驱动因素并非预期的可持续性套利，而是一种更严重的“硬件伪装”现象。不法分子通过将废铝错误归类为高价值异质商品，制造高达每公斤160美元的价格异常，这被识别为贸易洗钱行为。网络分析进一步揭示了风险集中在作为非法转运关键节点的“影子枢纽”，而非主要出口国。研究证实价格偏差是异常的主要预测指标，呼吁海关监管从物理量检查转向动态算法化估值审计。
利用部分验证数据修正调查误分类偏差
本文研究当调查数据存在误分类但其中一个响应类别可被验证时的二元选择模型估计问题。作者证明，通过部分验证可将初始的双向误分类问题转化为单向问题，并指出直接使用更新后的响应进行估计无法解决误分类偏差。研究提出了一种利用部分验证数据构建参与模型的方法，并给出了克服误分类误差的一致且渐近正态的估计量。模拟实验验证了方法的有限样本性能，并以加纳医疗保险覆盖率的决定因素为例进行了实证说明。
大语言模型能否形成通胀预期？GPT-3.5与英国家庭调查的对比研究
本研究探讨了GPT-3.5-turbo根据宏观经济价格信号形成通胀感知和预期的能力。通过模拟英国央行通胀态度调查的信息集和人口特征，并与家庭调查数据及官方统计对比，发现GPT在短期能追踪总体调查预测和统计数据，并在收入、住房产权和社会阶层等维度复现了家庭通胀感知的关键经验规律。模型对食品通胀信息表现出与人类受访者相似的敏感性，但缺乏一致的消费者价格通胀模型。该方法为评估LLM在社会科学中的行为提供了新途径。
基于路径签名的回归方法实现经济指标实时预测
本研究提出了一种利用路径签名进行回归的新方法，用于经济指标的实时预测（Nowcasting）。该方法通过捕捉时序数据的几何特性，能自然处理混合频率和缺失数据。理论证明和模拟实验表明，该方法不仅包含了线性卡尔曼滤波器，还具有良好的稳健性，在数据序列中断时（如疫情期间）表现优于传统方法。该方法在美国GDP增长和英国失业率的实时预测中展现出优异性能。
双/去偏机器学习方法实现时间序列脉冲响应函数的半参数推断
本研究提出了一种基于双/去偏机器学习的估计器，用于估计在时间序列中受到多个离散处理影响的脉冲响应函数。该方法允许处理变量与结果变量之间完全非参数的关系，从而能够利用灵活的机器学习方法来估计动态因果效应。研究将双机器学习理论从独立同分布设置扩展到时间序列设置，证明了该估计器的一致性和渐近正态性，为时间序列中的动态效应提供了半参数推断基础。数值模拟验证了其在有限样本下的良好性质，并应用于宏观经济冲击效应的实证分析。
高管性别多样性对企业价值的影响：新统计方法揭示关键阈值
本研究开发了一种名为concATE的有限样本非参数边界方法，通过结合Dvoretzky-Kiefer-Wolfowitz尾界和Bonferroni校正，改进了传统Manski边界在重尾数据中的局限性。应用于901家上市公司数据发现，高管性别多样性对企业价值（托宾Q值）的正面影响存在显著阈值：在增长与创新行业，女性高管比例需达到约55%才产生统计显著影响；而在防御性行业，这一阈值约为60%。
利用网络与知识图谱对偶性，构建智能供应链风险分析框架
本研究提出一种基于大语言模型的智能体框架，用于分析复杂的供应链风险。其核心创新在于利用网络与知识图谱之间的对偶性，将供应链网络视为知识图谱，并运用网络中心性指标指导图遍历，高效提取关键风险路径。该框架整合了图结构、数值因子表和新闻流等多模态数据，并引入“上下文外壳”技术，将原始数据转化为大语言模型可理解的自然语言描述，从而无需微调即可实时生成简洁、可解释且上下文丰富的风险叙事。
快速检验反演：提升重采样方法置信区间计算效率
本文提出了一种基于代数结构的新型方法，用于高效构建随机化推断中的精确置信区间和置信区域。传统网格搜索法计算量大且可能因离散化导致区间保守。新方法将检验统计量表达为感兴趣参数的有理函数，通过解析识别检验统计量秩发生变化的临界值，直接推导精确的p值曲线，避免了为每个参数值重复计算。该方法适用于包括方差估计依赖于原假设在内的广泛检验统计量，并能扩展到向量参数情形，显著降低了计算负担。
网络干扰下内生处理效应的异质性识别：以进口竞争对美国劳动力市场的影响为例
本文提出了一种在大型单网络环境中识别和估计内生处理异质性效应的计量框架，该框架考虑了干扰和溢出效应。研究将内生处理选择建模为明确考虑溢出的均衡结果，并推导了保证均衡存在性和唯一性的条件。在此基础上，识别了可能随相邻节点处理状态和未观测异质性变化的异质性边际暴露效应。作者开发了相应的估计策略并建立了其大样本性质。应用该框架分析进口竞争对美国地方劳动力市场的异质性影响时发现，尽管边际暴露效应为负，与现有文献一致，但这些效应在存在已处理邻居的地区以及倾向于选择较低进口竞争水平的地区中，会被溢出效应放大。这些新的实证发现得益于本文提出的计量框架。
稳健最大似然更新：在模糊性下解释非贝叶斯决策行为
本文针对决策者常偏离贝叶斯更新的现象，提出了稳健最大似然更新模型。该模型将偏差归因于多重先验或模糊性，通过公理化方法构建了表征：决策者拥有一个作为初始最佳猜测的基准先验，以及一个代表所有无法排除可能性的合理先验集合。接收新信息后，决策者在合理先验集合内，依据最大似然原则更新基准先验，再应用贝叶斯规则，从而确保最大程度的动态一致性。模型能在一个统一框架内解释多种常见的更新偏差。
群组随机试验中平均处理效应估计量的精确方差与上界估计
本文研究了有限总体群组随机对照试验中，霍维茨-汤普森平均处理效应估计量的设计方差问题。由于方差依赖于未观测的群组聚合潜在结果联合分布，无法精确识别。作者推导了该估计量的精确（但不可行）方差表达式，并扩展了Aronow等人的工作，提出了该方差的一个尖锐、可达上界，并利用观测结果和已知抽样/分配概率构造了该上界的一致估计量。模拟和实证应用表明，基于此上界的置信区间有效，且通常比基于群组标准误的区间更窄。
长记忆时间序列估计方法评估：局部Whittle估计量的比较与选择指南
本文系统评估了用于估计分整时间序列记忆参数d的多种半参数局部Whittle估计量。通过复制文献关键结果、进行新的蒙特卡洛实验和深入实证研究，比较了各估计量在存在短期动态、未知均值、时间趋势和结构突变等情况下的表现。研究结果为应用研究者提供了关于估计量选择、带宽选取以及如何解释不同估计量间潜在冲突结果的实用指南。