econ
01-12 00:00
本文针对利用机器学习处理产品描述、图像等高维非结构化数据来构建需求模型时，因代理变量未能捕捉真实的差异化维度而导致反事实预测偏差的问题，开发了一套实用的偏差校正与推断工具包。该方法适用于市场级和个体数据，计算高效，能提供标准误的简洁公式，并兼容数据依赖的代理变量（如微调ML模型的嵌入向量）。研究还提出了评估代理变量构建与维度充分性的诊断方法，在仿真和实证应用中都显著提升了反事实替代预测的准确性。
需求估计非结构化数据反事实分析偏差校正机器学习计量经济学
econ
01-12 00:00
本研究为意大利小麦生产系统构建了一个基于智能体（Agent）的建模框架，以模拟农场决策过程。农场（即智能体）通过数学规划模型决定目标产量及所需投入品（肥料、除草剂、杀虫剂）的组合。研究采用生命周期评估（LCA）中的ReCiPe 2016终点方法评估常规生产实践的环境影响，并通过两个指标使智能体“感知”其选择的环境后果：衡量人类健康影响的伤残调整生命年（DALYs）和反映生态系统影响的物种年损失数。通过将这些环境信息内部化，智能体能够做出更平衡、更可持续的生产决策。
智能体模型生命周期评估可持续农业小麦生产环境决策数学规划
econ
01-12 00:00
本文研究了具有纯纳什均衡的博弈的典型结构，重点关注其“连通性”——即是否存在从任意非均衡行动组合到所有纯纳什均衡的最佳反应路径。研究发现，当行动数量$k$很大时，不连通博弈的比例趋于一个常数$\zeta_n > 0$，而非先前小$k$情况下的趋于零。然而，$\zeta_n$随着玩家数量$n$的增加而迅速减小至零。这意味着，在玩家数量足够多时，几乎所有具有纯纳什均衡的博弈都是连通的。这一连通性性质有助于自适应动态收敛到均衡，从而为绝大多数此类博弈提供了简单的学习动态保证能到达均衡。研究采用了新的概率与组合论证方法，弥补了先前工作无法处理大$k$情形的不足。
博弈论纳什均衡连通性自适应动态大行动空间均衡收敛
econ
01-12 00:00
为应对欧盟碳排放交易体系（EU ETS）可能引发的碳泄漏与产业竞争力问题，欧盟委员会于2021年提出碳边境调节机制（CBAM）。该机制通过对特定进口商品（如电力、水泥、钢铁等）征收碳价，使国内外生产者的碳成本趋于一致，并将逐步取代现行的免费配额等防泄漏措施。随着全球气候政策趋严，CBAM类机制将在管理碳相关贸易风险、支持净零排放转型中扮演关键角色。
碳边境调节机制欧盟碳市场工业转型碳泄漏气候政策贸易风险
econ
01-12 00:00
本研究开发了一种利用卫星影像高频监测农村集市活动的方法。通过分析肯尼亚、马拉维和莫桑比克的二手数据验证了方法的准确性（高灵敏度与特异性），并成功绘制了埃塞俄比亚1,776个集市的地图，以周为单位追踪了其2017至2024年的活动。研究发现，集市活动呈现与当地农业日历同步的季节性规律，并对天气和冲突冲击做出响应。该方法无需地面数据，可在卫星能定期覆盖的区域实现自动化，为数据稀缺的农村地区提供近乎实时的经济状况衡量指标。
卫星遥感农村经济高频监测非正式市场发展经济学数据稀缺
econ
01-12 00:00
本文构建理论模型，研究AI克隆（基于个人数据训练的语言模型）在匹配市场（如婚恋、求职）中的作用。模型将人格建模为$k$维欧几里得空间中的点，AI表征则为其带噪声的近似。研究比较了两种搜索机制：在“真人搜索”下，个体随机遇见有限数量的人并与最兼容者匹配；在“AI中介搜索”下，个体则与AI表征最兼容的人匹配。结果表明，有限次真人接触的预期匹配质量，优于在无限AI表征池中的搜索。当人格维度$k$足够高时，仅与两人真人见面就比在任何规模的AI平台上搜索更有效，揭示了AI表征不完美性对匹配效率的根本限制。
ai克隆匹配市场搜索理论人格建模算法效率经济模型
econ
01-12 00:00
本文构建了一个空间显式的基于代理模型（ABM）来模拟数据市场，以填补当前AI数据经济监管缺乏证据的空白。为解决数据缺失问题，研究采用两阶段方法：首先将多年实地调研的决策规则转化为代理约束；其次创新性地使用大语言模型（LLM）作为“受试者”进行离散选择实验，以获取现实中难以观测的偏好参数（如支付意愿弹性）。模型校准后对比了不同法律制度的福利效应。结果挑战了以知情同意为核心的产权规则范式，发现将实质性损害责任转移至下游购买者时社会福利最高，这符合“最低成本规避者”原则，因为下游用户能更有效地控制风险。
数据监管代理模型大语言模型离散选择实验社会福利责任分配
econ
01-12 00:00
传统事件研究常将处理的直接效应与通过内生协变量调整产生的间接效应相混淆。本文开发了一个动态面板事件研究框架，旨在分离这两种效应。该框架允许结果和处理效应具有持续性，并允许协变量对过去的结果和处理暴露做出响应。在序贯外生性和同质反馈的假设下，本文确立了控制结果与处理效应动态的常见参数、异质性处理效应分布以及协变量反馈过程的点识别。研究者提出了一种动态分解算法，使研究人员能够评估每种效应在驱动处理效应动态中的相对重要性。
事件研究动态面板反馈效应效应分解内生性计量经济学
econ
01-12 00:00
本研究提出了一种混合频率状态空间模型，将经典的Lee-Carter死亡率模型扩展至同时利用年度死亡率与月度死亡计数数据。模型通过一个共享的潜在月度死亡率因子将两者联系起来，其中年度因子定义为月度因子的年内平均值。该潜在因子服从季节性ARIMA过程，参数通过结合卡尔曼滤波与平滑的EM算法进行极大似然估计。此框架允许在获得新的月度观测数据时，实时更新潜在状态并进行预测，而无需重新估计模型参数。基于美国1999-2019年20-90岁人群数据的评估显示，该模型通过聚合月度预测得到的年度预测通常比直接年度预测更准确，且整合月度信息显著改善了年内年度即时预测的精度。
死亡率预测状态空间模型混合频率数据lee-carter模型卡尔曼滤波时间序列预测
econ
01-12 00:00
当个体的结果（如健康状况）不仅受自身干预（如接种疫苗）影响，还受网络中其他个体干预影响时，便产生了干扰效应，这给评估干预效果带来挑战。传统研究依赖先验的、复杂度有限的暴露映射模型，可能无法捕捉全部干扰效应。本研究提出一种数据驱动方法，利用图卷积自编码器学习网络中的依赖关系，以更准确地捕捉干扰效应。主要贡献是引入一种基于机器学习的检验方法，用于验证用户定义的简单暴露映射的有效性，从而检验直接效应的可识别性。该检验利用一个核心逻辑：如果用户定义的暴露映射有效（即所有干扰都通过它起作用），那么在给定该映射的条件下，学习到的暴露映射应与个体结果统计独立。模拟研究评估了该检验方法的有限样本性能。
干扰效应暴露映射图卷积自编码器因果推断网络数据机器学习检验
econ
01-12 00:00
本文研究了一个扩展的贝叶斯说服模型：发送者首先公开承诺一个实验，随后可以私下进行额外实验，并有选择地向接收者披露结果。发送者拥有关于其可进行额外实验最大次数（即其类型）的私人信息。研究发现，当（i）接收者对发送者类型足够不确定，且（ii）发送者在完成其完全承诺下的最优实验后，仍能从选择性披露中获益时，发送者无法在任何均衡中获得其承诺收益。否则，可能存在发送者获得承诺收益的均衡。
贝叶斯说服信息设计选择性披露承诺博弈不完全信息
econ
01-12 00:00
本文提出了概率目标因子分析（PTFA），这是一个基于似然的框架，用于构建明确针对经济关注变量的潜在因子。PTFA为偏最小二乘法（PLS）提供了概率基础，允许在不确定性下进行有监督的因子提取。该模型通过快速的期望最大化算法进行估计，并能自然地处理缺失数据、混合频率观测、随机波动性和因子动态。模拟证据表明，相对于标准PLS，PTFA能更好地恢复与经济相关的潜在因子，尤其是在噪声环境中。在金融状况指数、宏观经济预测和股票溢价预测中的应用，展示了这种定向概率因子提取方法在测量和预测方面的优势。
因子分析偏最小二乘经济预测概率模型金融计量
econ
01-12 00:00
本文研究了在代理人价值分布存在模糊性下的鲁棒合约设计问题。委托人分配稀缺资源，事后以低成本观察结果，并根据信息进行奖励转移。与依赖共同先验假设的现有检查机制不同，本研究采用基于矩信息的分布鲁棒方法。核心贡献在于完整刻画了单代理人情形下的鲁棒最优合约：当模糊集由一阶矩定义时，最优合约具有凹分配规则和线性支付规则。研究进一步表明，鲁棒性并不唯一确定转移支付，并构建了帕累托鲁棒最优合约。在多代理人扩展中，研究发现鲁棒最优性要求总支付由N维N次多项式下界约束，且机制复杂性显著增加，凸显了鲁棒合约设计与鲁棒多代理人机制设计之间的鲜明对比。
合约设计分布鲁棒延迟检查机制设计激励相容矩信息
econ
01-12 00:00
本文提出了一种算法，用于为统计决策问题提供可证明的ε-极小极大解。该算法基于镜像次梯度下降法（在计算机科学中称为“对冲算法”），旨在近似求解定义极小极大决策规则的凸优化问题。研究将其应用于计量经济学中的多个极小极大问题，并通过一个实证案例——如何最优选择实验地点以最大化政策评估的外部效度——展示了该方法的实用性。
统计决策极小极大凸优化对冲算法计量经济学外部效度