今日速览 · AI 导读
自动抓取 arXiv 多学科 RSS，DeepSeek 自动润色标题与摘要，最快 24 小时内汇总。每日 14:00 初始化批次并每 15 分钟轮询学科，24h 无数据则回退 72h/7 天；arXiv 周末停更时自动跳过。
今日经济学研究聚焦于因果推断、市场机制与行为决策三大前沿，方法创新与实证深度并重。
核心要点：
2026-01-07 共 13 条抓取，按综合热度排序
本文针对文本作为混杂因子代理变量时引入的“处理泄漏”偏差问题，提出了系统的识别与缓解方法。处理泄漏指用于捕捉混杂信息的文本也包含可预测处理状态的信号，导致因果估计产生事后偏差。研究贡献包括：1）形式化定义了处理泄漏的统计与集合论概念；2）提出了四种文本蒸馏方法（基于相似性的段落移除、远监督分类、显著特征移除、迭代零空间投影），旨在消除处理预测内容的同时保留混杂信息；3）通过合成文本模拟和IMF结构调整计划与儿童死亡率的实证应用验证了方法有效性。结果表明，适度蒸馏能在偏差减少与混杂信息保留间取得最优平衡。
本研究通过分析美国月度失业保险记录、数百万份LinkedIn个人资料及大学课程大纲发现，AI相关岗位的失业风险在2022年初（即ChatGPT发布前数月）已开始上升。2021年及之后的毕业生进入AI相关岗位的比例低于早期毕业生，且差距在2022年底前已形成。同时，学习更多AI相关课程的毕业生在ChatGPT发布后获得了更高的首份工作薪资和更短的求职时间。结果表明，影响AI相关岗位就业市场的因素早于生成式AI的出现，且LLM相关教育仍具持续价值。
本研究探讨了风险决策中可能存在的菜单依赖现象，提出行为是源于一个由少量可解释的心理规则构成的规则库。这些菜单特定的规则将客观选项菜单转化为感知菜单，并使最终选择在感知彩票的支配性基准下成为严格改进。研究者引入了最大规则集中度指数（MRCI），用于衡量所有局部可容许分配中规则份额的最大赫芬达尔-赫希曼集中度，并提供了诊断方法来区分统一行为的规则与主要作为替代品的规则。通过混合整数二次规划（MIQP）公式、可扩展启发式算法以及相对于菜单无关随机选择基准的有限样本置换检验，应用于CPC18数据集（N=686名受试者，每人进行500-700次重复二元彩票选择）。结果显示，平均MRCI为0.545，64.1%的受试者在1%水平上拒绝了随机选择假设。集中度的提升主要由模态支付聚焦、显著性思维和基于后悔的比较等规则驱动。
本研究采用混合HAR-ElasticNet框架，分析了2002-2025年间六大期货市场的日度已实现波动率，以识别商品、股票和国债间的波动溢出效应。方法上，先通过OLS估计自身波动持续性（约0.99），再应用ElasticNet正则化识别跨市场溢出。结果显示，股票市场（ES, NQ）是主要的波动传导者，而原油（CL）是最大的跨市场冲击接收者，农产品则相对孤立。虽然简单单变量HAR模型在点预测上表现相当，但本方法揭示了前者无法展现的网络结构，并通过联合脉冲响应函数追踪了冲击在网络中的传播路径。
本文为多参数环境下收益最大化机制的存在性提供了一个初等证明。核心结论是：只要买家的估值分布具有有限期望，最优拍卖机制就必然存在。该证明简化了以往复杂的分析框架，为机制设计理论提供了更易理解的基础。
本文提出了一种时间感知合成控制方法，针对传统合成控制方法忽略时间顺序、难以处理强趋势数据的问题。该方法采用结合恒定趋势的状态空间模型，并利用卡尔曼滤波与RTS平滑器进行拟合与反事实推断。在模拟与真实数据集上的评估表明，该方法在存在强时间趋势和高观测噪声的场景下具有显著优势。
本研究针对铁路售票、酒店预订等场景中的网络收益管理问题，提出了高效的在线决策算法。研究聚焦于两种需求模式：简单的“接受或拒绝”模式，以及更贴近现实的、基于基本吸引力模型（BAM）的客户选择模式。核心贡献在于，当客户需求类型固定时，算法分别获得了1 - 1/e和0.25的近似比保证；即使需求类型随机，也能获得至少0.399和0.156的恒定近似比。这显著优于以往以离线最优解为基准的非恒定竞争比结果，为动态定价和库存分配提供了理论保障。
本研究构建了一个融合有限理性和异质认知偏差的演化博弈框架，通过引入量子反应均衡和前景理论效用函数，揭示了主观收益评估如何系统性改变群体层面的均衡选择。研究发现，理性程度和风险厌恶对福利的影响是非单调的：中等程度的认知精度能促进协调，而过度精确或强烈的损失厌恶则会导致群体锁定在低收益的零和均衡。模型还内生地产生了公平与效率的权衡：提升总福利的参数配置会加剧不平等，而更平等的分配则伴随着效率损失。这为解释零和规范与不平等的持续存在提供了行为进化机制。
本文提出“风险规避真实度（RAT-degree）”概念，用于度量机制设计的抗操纵性。经典的真实性要求在任何情况下操纵都无利可图，而风险规避真实性仅要求没有“安全”的操纵（即有时有益、从不有害）。RAT-degree定义为允许某个代理安全操纵所需知晓的其他代理报告的最小数量，它介于经典真实性（degree=n）和风险规避真实性（degree≥1）之间。作者通过拍卖、不可分物品分配、分蛋糕、投票和双边匹配等多个社会选择场景中的经典机制，展示了这一概念的普适性与应用价值。
本文针对经典合成控制法在控制单元高度相关或处理前后关系发生偏移时可能失效的问题，提出了分布鲁棒合成控制法。该方法通过求解一个考虑所有与处理前时期兼容的权重的最坏情况优化问题，定义了一个新的因果估计目标。当经典方法识别条件满足时，新方法与之等价；当条件被违背时，新估计量可作为不可识别因果效应的保守代理。作者进一步证明了估计量的极限分布非正态，并提出了一种新的推断方法。通过数值模拟和巴斯克地区恐怖主义经济影响的应用分析验证了其性能。
本研究提出了一种新颖的混合深度学习框架，将大语言模型（LLM）与Transformer架构相结合，用于股票价格预测。该研究解决了现有方法在结合文本与数值数据时缺乏对其交互机制形式化理解的理论空白。具体而言，研究将基于提示的LLM概念化为一个数学定义的信号生成器，能够从金融新闻中提取方向性市场情绪及其置信度分数。这些信号随后通过一个抗噪声的门控机制，与结构化的历史价格特征进行动态融合，使Transformer能够自适应地权衡语义与量化信息。实证评估表明，所提出的混合LLM-Transformer模型显著优于基准Vanilla Transformer，将均方根误差（RMSE）降低了5.28%（p = 0.003）。消融与鲁棒性分析进一步证实了模型在噪声条件下的稳定性，以及通过置信度加权注意力保持可解释性的能力。
本文提出了一个分析反事实政策对结果变量无条件分位数影响的框架。对于给定的反事实政策，我们获得了处理个体比例发生边际变化和全局变化时，政策效应的识别集。为了进行敏感性分析，我们引入了分位数崩溃前沿曲线。该曲线能够（i）指示敏感性分析是否可行，（ii）在可行时，量化在不同分位数上与给定感兴趣结论一致的选择偏误量。作为示例，我们对工会化低收入工人对（对数）工资分布各分位数的影响进行了敏感性分析。
本文研究如何设计最优关系契约，以激励专家向新手转移其专业知识。核心矛盾在于，专家担心知识转移会削弱其未来的垄断租金。研究发现，在委托人与专家签订的唯一利润最大化契约中：专家被要求在初始阶段免费、尽可能多地培训新手；随后知识转移以渐进、永久的方式进行，委托人在每次验证转移后向专家提供一次性补偿；即使在长期，完全的知识转移也可能无法实现。该模型为理解中国汽车产业和韩国高铁发展中的成功技术转移案例提供了洞见。