谁从在线零工经济平台中获益？—— Stanton & Thomas (2025) 结构化估计方法论深度解析

Sun, 04 Jan 2026 00:00:00 +0000

结构化估计方法论深度解析报告 —— 基于 Stanton & Thomas (2025) 的逆向工程

估计技巧：极大似然估计 (MLE) + 控制函数法 (Control Function) + 有限混合模型 (Finite Mixture Model)。

第一步：理论构建 —— 搭骨架 (Theoretical Derivation)

任务： 建立一个数学世界，描述买家和工人是怎么思考的。

逻辑：

买家（需求方）： 面对几百份简历，买家是“有限理性”的。他们只看前份（搜索摩擦），然后在里面挑一个性价比最高的（Logit 选择）。
工人（供给方）： 工人很聪明。他们知道买家“懒”（只看前几份）且“挑剔”（对价格敏感）。所以工人根据自己被看到的概率和买家的敏感度，设定一个最优工资（加价）。

工人知道买家有摩擦，所以工人有局部市场势力。

数学形式：逆弹性法则（Inverse Elasticity Rule）。

$$\text{Markup} = \frac{1}{\text{Elasticity of Demand}}$$

工资是观测到的，弹性是估计出来的。通过这个公式，我们可以倒推出不可观测的机会成本。

方法： 博弈论与最优化推导。
买家效用最大化导出 Logit 概率公式。
工人期望利润最大化对求导（FOC）导出 “逆弹性加价法则”（）。

我们可以得到经典的逆弹性定价公式（Lerner Index 的变体）：

$$\text{Markup} = \frac{\text{Net Wage}}{\text{Cost}} = \left( 1 + \frac{E[\tilde{p}]}{\partial E[\tilde{p}] / \partial \log w_{oj}} \right)^{-1}$$

或者写成原文 Equation (7) 的反函数形式，用来反推成本：

$$c_{oj} = \frac{w_{oj}}{1+\tau} \left( 1 + \frac{E[\tilde{p}]}{\partial E[\tilde{p}] / \partial \log w_{oj}} \right)$$

地位： 这是纯理论推导。不涉及数据，只涉及假设。这是整个大厦的蓝图。

第二步：需求侧参数估计 —— 填肉 (Empirical Estimation)

任务： 理论骨架搭好了，但具体的参数是多少？买家到底有多懒（）？对价格到底有多敏感（）？这需要问数据。

逻辑：

我们观察到买家雇佣了谁，没雇佣谁。
我们利用**“申请顺序”**作为线索：如果买家经常雇佣第 50 个申请者，说明他不懒；如果只雇前 5 个，说明他很懒。这识别了搜索参数。
我们利用**“工资变动”**作为线索：工资涨 1 块钱，雇佣概率掉多少？这识别了价格弹性。
难点（内生性）： 高工资可能意味着高质量。为了把“纯价格影响”剥离出来，作者用了工具变量（IV）——汇率变化和竞争程度。

方法： 最大似然估计 (MLE) + 控制函数法 (Control Function)。
数据： 17 万个职位的详细流水（谁申请了、什么时间申请、报价多少、最后雇了谁）。
地位： 这是实证估计。这是全篇最硬核、工作量最大的部分。Table 4 的参数就是这一步的产出。

如果你拿到了数据，该按什么顺序操作？

第一阶段：准备与降噪 (Data Prep & First Stage)

目标：清洗数据，并处理价格内生性。

定义“顺序 (Order)”：必须精确计算每个申请者是第几个提交的。这是识别搜索摩擦的唯一抓手。

运行第一阶段回归 (Equation 9)：

回归方程：$\log(w_{oj}) = \text{IVs} + \text{Controls} + \nu_{oj}$

IV 选择：汇率（供给冲击）、竞争对手申请量（竞争预期）。

产出：提取残差 $\hat{\nu}_{oj}$，记为 $CF_{oj}$。

第二阶段：结构参数估计 (Structural Estimation)

目标：获得 $\alpha$（价格敏感度）、$\beta$（偏好）、$\lambda$（搜索范围）。

构建似然函数 (The Grand Likelihood)：你需要写一个程序（Python/Julia/Matlab），计算观察到当前数据的概率。

输入：参数猜测值 $\theta$。

循环：遍历每个买家 $i$。

步骤 A：计算关注集概率（看了多少人？）。

步骤 B：计算选择概率（雇了谁？）。注意，要把 $CF_{oj}$ 作为控制变量加进去：$U = X\beta - \alpha P + \psi CF$。

步骤 C：计算发帖间隔概率（多久发一次？）。

混合 (Mixture)：假设有 3 种买家类型，加权求和：$L_i = \sum \rho_k L_{ik}$。

最大化：使用优化算法（如 BFGS 或 Nelder-Mead）寻找让 $L$ 最大的 $\theta$。

第三步：供给侧成本反推 —— 读心术 (Calibration / Fitting)

任务： 我们想算工人赚了多少钱（剩余），等于“工资 - 成本”。工资数据里有，但工人的心理成本（机会成本）是看不见的。我们需要“算出”它。

逻辑：

回到第一步的理论公式：。
利用第二步估计出的参数（），我们可以算出每个工人面临的需求弹性。
把弹性代入公式，算出工人的 Markup（加价率）。
最后，成本 = 工资 / (1 + Markup)。

目标：计算剩余。

计算弹性：利用估计出的 $\hat{\theta}$，为每个工人计算其面临的需求弹性 $\epsilon_{oj}$。

计算成本：代入公式 $c_{oj} = w_{oj} / (1 + \frac{1}{\epsilon_{oj}})$。

计算剩余： $\text{Surplus} = w_{oj} - c_{oj}$。

作者如何确保估计出的 $\alpha$（价格敏感度）是准确的？他们使用了工具变量（IV）：

汇率冲击：影响工人的外部机会成本（供给移动），从而识别需求曲线。
竞争对手的申请量：影响工人的竞争预期，移动报价。

还有一个小细节（拟合）： 工人其实不知道买家确切是哪种类型（Type 1, 2, 3），只能猜。工人对私有信号赋予多大权重（参数）？

作者通过非线性最小二乘法（NLLS），寻找一个值，使得模型预测的工资方差与数据中的实际方差最接近。
方法： 校准 (Calibration) / 拟合 (Fitting)。
使用结构方程反推不可观测变量。
地位： 这是连接估计与福利分析的桥梁。Table 6 的结果（工人加价 28%）就是这一步的产出。

控制函数法

买家的效用函数包含工资 $w_{oj}$。但是，$w_{oj}$ 可能与不可观测的工人质量 $\xi_{j}$ 相关（高质量工人要价高）。如果不处理，价格系数 $\alpha$ 会有偏差（Bias toward zero），导致需求看起来缺乏弹性。

作者假设内生性来源于一个可加的误差项。

第一阶段回归 (First Stage Regression - Equation 9): 我们将内生的工资 $w_{oj}$ 对所有外生变量（$X_j$）和工具变量（$Z_j$）回归：

$$\log(w_{oj}) = Z_j \gamma_1 + X_j \gamma_2 + \nu_{oj}$$

$Z_j$ (IVs):

汇率冲击 (Exchange Rate): 移动工人的保留工资（成本侧移动）。

竞争程度 (Competition): 同类工作在其他买家那里的申请量（影响工人的加价策略）。

$\nu_{oj}$: 回归残差。这个残差包含了“未能被可观测变量解释的价格部分”，即不可观测的质量冲击。

构建控制变量: 计算出估计残差 $\hat{\nu}_{oj} = CF_{oj}$。将这个 $\hat{CF}_{oj}$ 直接作为回归元（Regressor）放入第二阶段的效用函数中。

构建买家效用与选择模型 (The Choice Model)

效用函数 (Utility Function)

买家 $k$（拥有经验 $x$）雇佣工人 $j$ 的间接效用为：

$$U_{ojk} = \underbrace{X_j \beta_{k\chi}}_{\text{Observed Quality}} - \underbrace{\alpha_k \log(w_{oj})}_{\text{Disutility of Price}} + \underbrace{\psi_{k\chi} \hat{CF}_{oj}}_{\text{Correction for Endogeneity}} + \epsilon_{oj}$$

$\hat{CF}_{oj}$ 的作用：它作为不可观测质量的代理变量。$\psi > 0$ 意味着价格高出预期的部分通常代表高质量。通过控制它，$\alpha_k$ 就能纯粹地捕捉买家对价格的敏感度。

条件 Logit 概率 (Conditional Logit - Equation 10)

给定买家实际看了集合 $J_o$ 里的工人，选择工人 $j$ 的概率是：

$$p(j | J_o, k, \chi) = \frac{\exp(V_{ojk})}{\sum_{l \in J_o \cup \{0\}} \exp(V_{olk})}$$

其中 $V_{ojk} = X_j \beta - \alpha \log w + \psi \hat{CF}$。选项 $\{0\}$ 代表不雇佣（Outside Option）。

第四步：反事实模拟（动态模拟）

任务： 政策制定者想知道，如果收 10%的税，市场会变成什么样？既然我们有了模型（骨架）和参数（血肉），我们就可以造一个“平行宇宙”来实验。

逻辑：

静态模拟： 强制给工资加 10% 的税代入模型算出新的需求弹性工人调整报价买家减少雇佣。
动态模拟（最关键）：

今天少雇佣一个人明天少一个“有经验的买家”。
今天价格变高买家因为厌恶高价（参数），下个月发帖频率降低。

在这条逻辑链上，让计算机模拟 30 个月，看最终剩下的“蛋糕”（总剩余）变小了多少。

方法： 数值模拟 (Numerical Simulation)。
不使用新数据，而是使用第二步估计出的参数（）生成新数据。
地位： 这是应用分析。Table 9 的政策建议就是这一步的产出。

到达率 (Arrival Rate - Equation 8): 买家发布下一个工作的速率 $\lambda^{ARRIVAL}$ 建模为：

$$\log(\lambda_{k\chi}^{ARRIVAL}) = \delta_{1k} + \delta_2 \mathbb{1}(\chi > 0) + \delta_3 \log(\bar{w}_{past})$$

关键参数 $\delta_3$: 买家对“过去价格”的敏感度。如果过去的工资很高，买家可能会减少未来的发帖。这是连接静态均衡和动态市场规模的关键机制。

目标：政策评估。

设定冲击：比如税收 $t=10\%$。

求解新均衡：

工人重新优化报价 $w'$。

买家面对新价格 $w'$，调整雇佣概率 $p'$。

动态演化：模拟未来 30 个月。如果 $T=1$ 时期没雇人，买家在 $T=2$ 就无法积累经验，且可能因为高价而减少发帖。计算总损失。

极大似然估计

将上述所有部分拼在一起，一个买家的似然函数贡献 $L_k$ 包含三部分乘积：

选择概率: $\prod_o p(j | J_o, k, \chi)$ —— 给定关注集，选了谁？

关注集概率: $\prod_o \eta(|J_o|)$ —— 看了多少人？

发帖时间概率: $\prod_o f(t_{arrival})$ —— 多久发一次帖？

核心重温：成本反推

完成需求侧估计后，我们得到了买家的参数（$\alpha, \beta$）。现在我们需要知道工人的剩余（Wages - Costs）。但是成本（Costs）是不可观测的。

A. 结构方程反推 (Structural Inversion)

作者利用工人的最优报价一阶条件（FOC）来反推成本。

逻辑：工人设定工资 $w_{oj}$ 以最大化期望利润。根据逆弹性法则，最优工资是成本乘以一个加价（Markup）。

公式 (Equation 7):

$$c_{oj} = \frac{w_{oj}}{1+\tau} \left( 1 + \frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)] / \partial \log w_{oj}} \right)$$

$w_{oj}$：观测到的工资。

括号内的项：完全由需求侧参数决定的加价倒数。因为我们已经估计出了需求参数，所以这一项是已知的（取决于工人对买家的预期）。

$c_{oj}$：被反推出来的隐性成本。

B. 校准信息权重 $b$ (Fitting the Information Weight via NLLS)

问题：工人计算加价时，依赖于他认为买家是哪种类型（Type 1, 2, or 3）。工人有一个猜测公式：

$$\text{Belief}_k = b \cdot \text{Signal}_k + (1-b) \cdot \text{PopulationAvg}_k$$

这里的 $b$ 是未知的。如果 $b=0$，工人只看平均值；如果 $b=1$，工人完全信任私有信号。

NLLS 拟合思路：作者利用**“同一工人在短时间内的报价变化”**来识别 $b$。

假设：同一个工人，在同一周、同一类工作中，其成本 $c_{oj}$ 是不变的。

方差来源：如果成本不变，为什么他在 Job A 报价 $10，在 Job B 报价 $12？唯一的解释是：他对 Job A 和 Job B 的买家类型预期不同（信号不同），导致他设定的 Markup 不同。

方程构建：对工资公式取对数：

$$\log(w_{oj}) = \log(c_{\text{worker,week}}) + \log(\text{Markup}_{oj}(b)) + \text{Constants}$$

移项并去除固定效应（Fixed Effects）：

$$\log(w_{oj}) - \overline{\log(w)} \approx \log(\text{Markup}_{oj}(b)) - \overline{\log(\text{Markup}(b))}$$

左边：数据中观察到的工资波动。

右边：模型预测的加价波动（它是参数 $b$ 的函数）。

求解：使用非线性最小二乘法 (NLLS) 搜索一个最优的 $b$，使得左右两边的差异最小。

结论：这一步不仅仅是计算，而是一个巧妙的识别策略——利用工资的变动率（Variation）来推测信息的精确度（Information Precision）。

总结：一张表看懂递进关系

步骤	环节	核心问题	方法 / 手段	使用数据	对应结果
1	理论推导	世界是如何运作的？	效用最大化、FOC	无（纯数学）	Eq (2), (6)
2	实证估计	买家有多挑剔/多懒？	MLE + IV (控制函数)	17 万职位、440 万申请、汇率数据	Table 4 (弹性参数)
3	拟合/校准	工人的成本是多少？	反推 (Inversion) + NLLS	观测到的工资	Table 6 (剩余/加价)
4	数值模拟	收税会有什么后果？	动态模拟算法	估计出的参数	Table 9 (福利变化)

通俗得说：

理论： 画图纸（造人逻辑）。
估计： 填数据（量出这个人的身高体重、脾气秉性）。
校准： 读心术（根据他的行为推测他心里的底线）。
模拟： 做实验（打他一拳，看他怎么反应，以及明天还会不会来）。

希望这个梳理能帮你打通任督二脉！结构化模型看似复杂，核心就是这四步走的逻辑闭环。

《谁从在线零工经济平台中获益？》深度解构

执行摘要

这是一篇结构计量经济学论文，其核心贡献在于：用一个精心设计的需求-供给结构模型来量化双边市场（买方与卖方）的剩余分配。我将带你从理论动机开始，逐层剥开这个模型的数学与经济学内核。

1. 理论动机与直觉

1.1 核心经济学权衡

这篇论文处理的是一个表面上的悖论：

在一个买方市场 (buyer’s market)——即申请者（卖方）远远超过工作机会（买方需求）的市场中，经济学的传统直觉认为：

竞争应该摧毁工人的议价权，工资应该被压低至保留工资 (reservation wage)
工人应该赚取零经济剩余 (zero economic surplus)

但现实观察 (Figure 2)：

每月平均 16,600 名申请者竞争仅 5,600 个工作
仅有 1,100 名工人被雇用
尽管竞争激烈，论文的核心发现是工人实际上捕获了 46%的总剩余，平均每小时赚取 $1.97 的经济剩余

问题的经济学本质：为什么工人没有被竞争压低到保留工资？

1.2 现有文献的缺口

传统劳动经济学框架（例如完全竞争模型、单一底价拍卖）假设：

工人是同质的 (homogeneous)——一个简单的劳动力模型足以理解市场
信息完全且搜索无摩擦 (frictionless)——买方考虑所有申请者，所有工人知道所有工作

这些假设对在线零工市场完全不适用，理由是：

假设	现实	后果
工人同质性	工人高度异质（技能、声誉、地点、可用性不同）	简化的竞争模型低估工人剩余
完全信息	买方有有限的搜索能力，只考虑小部分申请者	搜索摩擦产生市场力量
无差异工人	图 A.1 显示：即使在最低工资十分位数，也仅有~10% 的工作被分配给最低出价者	工人差异化 (differentiation) 给予市场力量

1.3 核心机制：两股力量维系工人剩余

作者论证两个独立且互补的机制解释为什么工人不被竞争压垮：

机制 A：工人差异化 (Worker Differentiation)

经济学直觉：买方不是在雇用"劳动力单位"，而是在匹配特定工人。

论文量化发现（表 4）：工人特征标准差变化产生的需求效应 ≈ 38% 的工资变化
这意味着：即使有很多申请者，买方仍倾向于特定工人
结果：工人获得局部垄断力量——特定工人不是完全可替代的

数学对应：模型的择偶函数（方程 2）采用 logit 形式，其中：

$$U = X_j \beta^k_\chi - \alpha^k \log(w_{oj}) + \varepsilon_{oj}$$

工人特征 $X_j$ 的系数 $\beta^k_\chi$ 相对于价格敏感性系数 $\alpha^k$ 很大 → 工人不是价格的完美替代品

机制 B：买方搜索摩擦 (Buyer Search Frictions)

经济学直觉：买方审查申请者是有成本的（时间、认知负荷）。

实证事实（表格 A.2, 图 3）：

平均而言，买方只考虑 18 名申请者
申请顺序是强有力的预测因子：
- 前 10 名申请者被互动概率：>20%
- 第 45 名申请者被互动概率：<5%
这远不是随机的——是有序偏差 (order bias)

结果：

早期申请者获益（他们面临更少有效竞争）
搜索摩擦限制了头对头竞争（many applicants never face each other）
即使有 1000 名申请者，对第 40 名之后申请者的就业概率影响很小

数学对应：模型明确建模考虑集大小的分布 $\eta^{Consider}_{k\chi}(|J_o|)$，以及招聘概率受到的影响：

$$p(j|k,\chi) = \sum_{|J_o|=j}^{|J_o|} \eta_{k\chi}(|J_o|) \cdot p(j|\tilde{J}_o, k, \chi)$$

这里求和仅越过那些包含工人 $j$ 的考虑集——搜索摩擦将劲敌的数量限制在 18 左右。

1.4 关键洞察总结

驱动力	对工人的影响	论文中的量化证据
工人差异化	买方愿意为特定工人支付更高工资	Xβ 标准差变化 = 38% 工资变化
搜索摩擦	竞争限制到~18 名考虑申请者	平均考虑集大小=18.09(表 4)
两者交互	早期申请者：低竞争 + 高差异化溢价	预期剩余随申请顺序下降(图 5)

2. 模型解剖

2.1 模型的"骨架"：三个子游戏

这个模型实际上是一个动态的三层结构：

时间轴：
t=0: 买方决定是否发布工作
t=0+: 工人观察工作，决定申请和出价
t=1: 买方选择考虑哪些申请者
t=2: 买方在考虑集中选择雇用谁（或不雇用）
t=3: 工作执行，未来工作发布

2.2 三个相互关联的子模型

子模型 I：需求模型 (Demand Model) — 给定考虑集的购买选择

参与者：一个特定买方 $k$ 类型，经验水平 $\chi$，在职位 $o$ 考虑申请者集合 $\tilde{J}_o \subseteq J_o$

买方的目标函数（间接效用）：

$$U_j = \frac{\exp(X_j\beta^k_\chi + \varepsilon_{oj})}{(w_{oj})^{\alpha^k}}$$

经济学解读：

分子 $\exp(X_j\beta^k_\chi + \varepsilon_{oj})$：工人的"质量" = 可观测特征（经验、反馈、技能）+ 买方的主观偏好冲击
分母 $(w_{oj})^{\alpha^k}$：工人成本（工资出价）
指数 $\alpha^k$：衡量买方对价格的敏感程度
- 如果 $\alpha^k$ 很大 → 买方对价格敏感 → 市场竞争激烈
- 如果 $\alpha^k$ 很小 → 买方对价格不敏感 → 工人有市场力量

买方选择：雇用使得 $U_j$ 最大的申请者 $j^* \in \tilde{J}_o$，或选择"不在平台上雇用"（选择项 0）

概率形式（logit，假设 $\varepsilon_{oj}$ 是 I.I.D. 类型 I 极值分布）：

$$p(j|\tilde{J}_o, k, \chi) = \frac{\exp(X_j\beta^k_\chi - \alpha^k \log(w_{oj}))}{1 + \sum_{l \in \tilde{J}_o} \exp(X_l\beta^k_\chi - \alpha^k \log(w_{ol}))}$$

为什么是 logit？

数学上：便利性 → 闭式解
经济上：反映买方的"随机偏好异质性"——即使给定可观测特征，买方也有变化的个人偏好

子模型 II：供给模型 (Supply Model) — 工人的最优出价

参与者：工人 $j$ 在职位 $o$ 决定工资出价 $w_{oj}$

时间序列：

工人观察职位、已有申请数量、自己的成本 $c_{oj}$
工人形成对被雇用概率的预期 $E[\tilde{p}(j)]$
工人选择 $w_{oj}$ 以最大化期望效用

工人的期望效用函数：

$$E(U_{oj}(w_{oj})) = E[\tilde{p}(j)] \times \frac{w_{oj}}{1+\tau} + (1-E[\tilde{p}(j)]) \times c_{oj}$$

解读：

第一项：被雇用的概率 × 净工资（扣除平台费用 $\tau=10\%$）
第二项：未被雇用 → 获得机会成本 $c_{oj}$（离线替代品）
关键：工人的出价 $w_{oj}$ 影响 $E[\tilde{p}(j)]$
- 更高的出价 → 更低的聘用概率（买方对高价格敏感）
- 更低的出价 → 更高的聘用概率（但收益更少）

工人的信息结构（这是关键！）：工人不知道买方的真实类型 $k$，而是基于：

总体买方类型分布 $\rho_k$（她知道这个）
关于这个特定买方类型的私人信号 $\tilde{\rho}_k$（她有一个嘈杂信号）

她形成的聘用概率期望是这两者的加权平均：

$$E[\tilde{p}(j)] = b \sum_k \tilde{\rho}_k \sum_{|J_o|=j}^{|J_o|} \eta_{k\chi}(|J_o|) p(j|\tilde{J}_o,k,\chi) + (1-b) \sum_k \rho_k \ldots$$

其中 $b \in [0,1]$ 是工人对私人信息的权重。

最优出价的一阶条件 （从最大化期望效用的一阶导数 = 0）：

假设工人用一个标记价格 (markup pricing rule)，即：

$$w^*_{oj} = c_{oj}(1+\tau) \times \underbrace{\left[1 + \frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}\right]^{-1}}_{\text{最优加成}}$$

关键见解：

$$\text{最优加成} = 1 + \frac{E[\tilde{p}(j)]}{\text{需求对数价格半弹性}}$$

这遵循标准加成定价法则（如在产业组织中）：

$$\text{加成} = -\frac{1}{\varepsilon}$$

其中 $\varepsilon$ 是工人对其出价的聘用概率的需求弹性。

经济学直觉：

如果工人面临高需求弹性（聘用概率对出价敏感）→ 低加成 → 接近边际成本定价
如果工人面临低需求弹性（聘用概率对出价不敏感）→ 高加成 → 显著高于边际成本

子模型 III：工作发布到达过程 (Job Posting Process)

参与者：买方 $k$ 类型，经验 $\chi$，在时间序列中决定何时发布下一个工作

建模：指数到达过程，速率为：

$$\lambda^{Arrival}_{k\chi} = \exp(\delta^k_1 + \delta_2 \mathbb{1}(\chi > 0) + \delta_3 \hat{w}_{oj})$$

解读：

买方有一个"基础"工作发布速率 $\exp(\delta^k_1)$（类型相关）
获得经验后增加 $\times \exp(\delta_2)$
但曾经遇到高工资出价会阻止未来发布：$\delta_3 < 0$
- 当买方在过去工作中看到高工资时，他们减少未来发布
- 这意味着：高工资成本会抑制市场参与

为什么这很重要？这创造了政策分析中的动态乘数效应（见第 IV 部分）。

2.3 模型的五个关键假设

#	假设	经济学角色	现实性检验
1	工人出价是"要价不议价" (take-it-or-leave-it)	简化 — 允许集中定价	表 15（脚注）：初始出价和最终工资高度相关
2	买方独立选择考虑集大小（固定样本搜索）	使得搜索成本可识别	面试请求的时间戳聚集在早期（脚注 30）
3	工人知道申请顺序但不知道完整的考虑集大小	创建应用顺序作为工人力量的来源	83% 的被调查工人说他们基于先前申请者数量调整出价（第 I.B 节）
4	极值分布 $\varepsilon_{oj}$ 和考虑集是指数分布	计算便利性	使用灵敏度测试；在附录 C.C2 的最低工资中稳健
5	平台不改变算法或设计以应对政策	限制反事实分析的范围	脚注 31 中明确声明

3. 推导复现与教学

3.1 核心命题 I：考虑集加权的聘用概率

定理（方程 3）：

$$p(j|k,\chi) = \sum_{|J_o|=j}^{|J_o|} \eta_{k\chi}(|J_o|) \cdot p(j|\tilde{J}_o, k, \chi)$$

这是什么？这是边际概率 (marginal probability)，整合了所有可能的考虑集大小。

为什么需要这个？

申请者不知道买方会选择多大的考虑集
但他们知道：
- 考虑集大小的分布 $\eta_{k\chi}(|J_o|)$（从招聘数据估计的）
- 条件聘用概率，给定他们在考虑集中（方程 2）

一步步推导：

第 1 步：申请者 $j$ 的聘用概率取决于他是否被考虑和是否被选择给定考虑：

$$p(j|k,\chi) = P(\text{考虑} \cap \text{选择}) = \sum_{|J_o|=j}^{|J_o|} P(\text{考虑集大小是} |J_o|) \times P(\text{选择}|\text{在考虑集中})$$

第 2 步：申请者 $j$ 在大小为 $|J_o|$ 的考虑集中当且仅当 $j \leq |J_o|$（因为申请者按顺序到达，考虑集是连续的前 $|J_o|$ 名申请者）。

第 3 步：因此求和从 $|J_o|=j$ 开始（如果考虑集小于 $j$，申请者不被考虑）：

$$\boxed{p(j|k,\chi) = \sum_{|J_o|=j}^{|J_o|_{\max}} \eta_{k\chi}(|J_o|) \cdot \underbrace{\frac{\exp(X_j\beta^k_\chi - \alpha^k \log(w_{oj}))}{1 + \sum_{l=1}^{|J_o|}\exp(X_l\beta^k_\chi - \alpha^k \log(w_{ol}))}}_{\text{logit, 给定考虑集}}}$$

经济学意义：

这个概率考虑了两个独立的排斥机制：
1. 搜索摩擦排斥：申请者必须落在买方的考虑范围内
2. 竞争排斥：即使被考虑，申请者也必须战胜其他被考虑的申请者

3.2 核心命题 II：工人最优加成定价规则

定理（方程 6）：

$$w^*_{oj} = c_{oj}(1+\tau) \left[1 + \frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}\right]^{-1}$$

我们要推导这个。这里需要细致的经济学和数学。

3.2a 工人的最优化问题

第 1 步：写出工人的期望效用（方程 4）：

$$\max_{w_{oj}} E(U_{oj}) = E[\tilde{p}(j)] \cdot \exp(\log w_{oj} - \log(1+\tau)) + (1-E[\tilde{p}(j)]) \cdot c_{oj}$$

简化：

$$\max_{w_{oj}} E(U_{oj}) = E[\tilde{p}(j)] \cdot \frac{w_{oj}}{1+\tau} + (1-E[\tilde{p}(j)]) \cdot c_{oj}$$

第 2 步：这是什么样的优化问题？

$E[\tilde{p}(j)]$ 本身取决于 $w_{oj}$（更高的出价 → 更低的聘用概率）
这是一个内生性变量问题 — 价格既影响效用又影响成功概率

第 3 步：一阶条件（求导 w.r.t. $w_{oj}$ 并设为 0）：

$$\frac{\partial E(U_{oj})}{\partial w_{oj}} = \frac{\partial E[\tilde{p}(j)]}{\partial w_{oj}} \cdot \frac{w_{oj}}{1+\tau} + E[\tilde{p}(j)] \cdot \frac{1}{1+\tau} + \frac{\partial(1-E[\tilde{p}(j)])}{\partial w_{oj}} \cdot c_{oj} = 0$$

第 4 步：简化。注意 $\frac{\partial(1-E[\tilde{p}(j)])}{\partial w_{oj}} = -\frac{\partial E[\tilde{p}(j)]}{\partial w_{oj}}$：

$$\frac{\partial E[\tilde{p}(j)]}{\partial w_{oj}} \left(\frac{w_{oj}}{1+\tau} - c_{oj}\right) + E[\tilde{p}(j)] \cdot \frac{1}{1+\tau} = 0$$

第 5 步：两边乘以 $(1+\tau)$：

$$\frac{\partial E[\tilde{p}(j)]}{\partial w_{oj}} \left(w_{oj} - c_{oj}(1+\tau)\right) + E[\tilde{p}(j)] = 0$$

第 6 步：重新排列：

$$E[\tilde{p}(j)] = -\frac{\partial E[\tilde{p}(j)]}{\partial w_{oj}} \left(w_{oj} - c_{oj}(1+\tau)\right)$$

第 7 步：两边除以 $\frac{\partial E[\tilde{p}(j)]}{\partial w_{oj}}$（注意这是负的）：

$$\frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial w_{oj}} = -(w_{oj} - c_{oj}(1+\tau))$$

第 8 步：现在，转换为对数导数。这是关键技巧。

定义 对数价格的半弹性（semi-elasticity）：

$$\frac{\partial E[\tilde{p}(j)]}{\partial \log w_{oj}} = \frac{\partial E[\tilde{p}(j)]}{\partial w_{oj}} \cdot w_{oj}$$

（这来自链式法则）

代入上面的方程：

$$\frac{E[\tilde{p}(j)]}{\frac{\partial E[\tilde{p}(j)]}{\partial \log w_{oj}} / w_{oj}} = -(w_{oj} - c_{oj}(1+\tau))$$$$\frac{E[\tilde{p}(j)] \cdot w_{oj}}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}} = -(w_{oj} - c_{oj}(1+\tau))$$

第 9 步：两边除以 $w_{oj}$：

$$\frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}} = -\frac{w_{oj} - c_{oj}(1+\tau)}{w_{oj}} = -\left(1 - \frac{c_{oj}(1+\tau)}{w_{oj}}\right)$$

第 10 步：设 $m = w_{oj} / (c_{oj}(1+\tau))$（加成，多少倍边际成本）。然后：

$$\frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}} = -(1 - 1/m) = \frac{-(m-1)}{m}$$

第 11 步：求解 $m$：

$$m = \frac{1}{1 + \frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}}$$

第 12 步：代入 $m = w_{oj} / (c_{oj}(1+\tau))$：

$$\boxed{w^*_{oj} = c_{oj}(1+\tau) \left[1 + \frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}\right]^{-1}}$$

这就是方程 6！

3.2b 经济学解读：加成定价规则

现在让我们看看这与产业组织中的标准加成规则的关系。

在完全竞争中，企业在边际成本处定价。在不完全竞争中，企业对其价格有权力。

标准的Lerner 指数定价规则是：

$$\frac{p - MC}{p} = -\frac{1}{\varepsilon^D}$$

其中 $\varepsilon^D$ 是需求价格弹性。

在工人的情况下，相当于：

$p = w_{oj}$（工人的"价格"）
$MC = c_{oj}(1+\tau)$（工人的边际成本）
$\varepsilon^D = \frac{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}{E[\tilde{p}(j)]}$（工人出价对聘用概率的需求弹性）

代入 Lerner 规则：

$$\frac{w_{oj} - c_{oj}(1+\tau)}{w_{oj}} = -\frac{1}{\varepsilon^D} = -\frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}$$

重新排列：

$$w_{oj} = c_{oj}(1+\tau) \left(1 + \frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}\right)^{-1}$$

这与方程 6 一致！

3.2c 工人成本的恢复公式

从最优出价反过来恢复成本 $c_{oj}$：

从方程 6：

$$c_{oj} = \frac{w_{oj}}{(1+\tau)} \left(1 + \frac{E[\tilde{p}(j)]}{\partial E[\tilde{p}(j)]/\partial \log w_{oj}}\right)$$

这是方程 7。

经济学意义：

给定我们估计的 $E[\tilde{p}(j)]$ 和 $\partial E[\tilde{p}(j)]/\partial \log w_{oj}$（来自需求估计）
以及观测到的出价 $w_{oj}$
我们可以反演工人的费用 $c_{oj}$

然后，工人剩余 = 被雇用的网工资 — 费用：

$$\text{工人剩余} = \frac{w_{oj}}{1+\tau} - c_{oj}$$

3.3 核心命题 III：识别策略——两个工具变量

这是计量经济学脊索。为什么我们需要工具变量？为什么这两个特定的工具变量有效？

3.3a 内生性问题

在方程 2（需求）中，我们想要估计 $\alpha^k$（买方对价格的敏感程度）。

但是 $w_{oj}$（工资出价）可能与 $\varepsilon_{oj}$（买方的个人偏好冲击）相关：

例如，“高质量"工人可能往往出价更高（他们知道他们值钱）
或者，“低质量"工人出价低，并且更有可能看到 $\varepsilon_{oj} < 0$（买方不喜欢他们）

如果 $\text{Cov}(w_{oj}, \varepsilon_{oj}) \neq 0$，那么 OLS 对 $\alpha^k$ 会有偏。

3.3b 工具变量策略的逻辑

工具变量 $Z$ 必须：

与内生变量相关：$\text{Cov}(Z, w_{oj}) \neq 0$ ✓
与误差项无关：$\text{Cov}(Z, \varepsilon_{oj}) = 0$ ✓ （外生性）

论文的想法：寻找改变工人费用的变量，从而改变他们的最优出价（通过方程 6），但不直接改变买方对工人的偏好。

3.3c 工具变量 #1：汇率变动

机制：

工人在美国以美元获得报酬
但他们在当地国家的机会成本（离线工作工资）以当地货币计算
汇率变动改变了美元工作相对于本地工作的价值

例子：

印度工人在 2008 年初：1 美元 = 40 卢比
2009 年底：1 美元 = 48 卢比（卢比贬值）
相同的美元出价现在价值更多卢比 → 工人对平台工作的吸引力更高 → 他们可以要求更高的出价 → $w_{oj}$ 上升

为什么这是有效的工具变量：

✓ 相关性：$Z_1 =$ 汇率与工资出价相关（表 3，第 1 列：系数 = 0.087，F 统计量 = 89.50）
✓ 外生性：买方看不到汇率（他们只看到以美元计算的出价）；买方不根据汇率做出决定
✓ 排斥限制：汇率变动不应改变工人的质量混合或买方对工人的偏好

排斥限制的三个测试（表 3，脚注）：

申请人特征几乎不随工具变量而变化（表 A.3）
工作应用数量不随工具变量而变化（表 A.4）
买方不根据汇率做出发布决定（Horton 2021）

3.3d 工具变量 #2：竞争强度

机制：

工人知道他们可以申请多个工作
如果同一类别中的其他工作吸引许多申请者，那么：
- 这些其他工作的竞争很激烈
- 工人对这些其他工作的成功概率较低
- 他们对当前工作的外部选择价值较低
- 他们应该在当前工作上出价更高来弥补较低的外部选择概率

例子：

当前工作：网络开发（周一发布）
同一周的其他网络开发工作：平均 50 个申请者
工人推断：竞争很激烈 → 应该专注于当前工作 → 出价更高

为什么这是有效的工具变量：

✓ 相关性：竞争与出价相关（表 3，第 1 列：系数 = -0.067，F-stat = 89.50）
✓ 外生性：竞争（其他买方的工作吸引的申请者数量）不受当前申请者出价质量的直接影响
✓ 排斥限制：竞争不应改变当前工人申请者的质量混合

注意一个微妙之处（脚注 20）：该论文对竞争工具变量进行了"预白化”，从中删除了时间和类别固定效应，以隔离幂等（特定于工作）的竞争变化。

3.4 核心命题 IV：估计策略——控制函数方法

这是结构计量经济学中处理内生性的一个巧妙方法，超越简单的 IV。

3.4a 控制函数的直觉

问题：即使我们有工具变量，我们也可能有未观测的混淆因素：

例如，申请人可能有不可观测的高质量，导致：
- 更高的出价（他知道他很有价值）
- 更高的被雇用概率（买方认识到他的质量）

这创造了 $w_{oj}$ 和 $\varepsilon_{oj}$ 之间的相关性，即使在控制已观测特征后也是如此。

解决方案：Petrin & Train 的控制函数方法（2010）：

第 1 步：从工具变量和观测到的特征运行第一阶段回归（方程 9）：

$$\log(w_{oj}) = Z_j\gamma_1 + X_j\gamma_2 + \nu_{oj}$$

获得残差：$\hat{\nu}_{oj} = \log(w_{oj}) - \hat{Z_j\gamma_1} - \hat{X_j\gamma_2}$

经济学解读：$\hat{\nu}_{oj}$ 捕捉出价中不能由工具变量或观测特征解释的部分。这是"未观测的申请人质量"的代理。

第 2 步：在需求方程中包括控制函数（方程 10）：

$$p(j|\tilde{J}_o, k, \chi) = \frac{\exp(X_j\beta^k_\chi - \alpha^k \log(w_{oj}) + \psi_{k\chi} \hat{\nu}_{oj})}{1 + \sum_{l \in \tilde{J}_o} \exp(\ldots)}$$

新项 $\psi_{k\chi} \hat{\nu}_{oj}$：如果 $\psi_{k\chi} > 0$，更高的残差（更高的未观测质量）增加聘用概率，正如预期的那样。

为什么有效：

如果残差与 $\varepsilon_{oj}$ 相关（即，它们捕捉相同的未观测因素），那么包括它作为控制变量会吸收内生性
剩余的参数估计（特别是 $\alpha^k$）现在基于外生变化（来自工具变量）

3.5 核心命题 V：买方剩余的计算

给定估计的参数，我们如何量化买方从交易中获得的价值？

3.5a 条件买方剩余（给定雇用）

定义：如果买方雇用工人 $j$，他会愿意支付多少额外费用，而不会受到伤害？

从买方的间接效用函数：

$$U_j = \frac{\exp(X_j\beta^k_\chi)}{w_{oj}^{\alpha^k}}$$

如果我们提高工资至 $w'_{oj}$，使得买方仍然得到相同的效用：

$$\frac{\exp(X_j\beta^k_\chi)}{(w'_{oj})^{\alpha^k}} = \frac{\exp(X_j\beta^k_\chi)}{w_{oj}^{\alpha^k}}$$

这意味着 $w'_{oj} = w_{oj}$（显然无趣）。

更好的定义：买方愿意为工人支付多少超过外部选择（不在平台上雇用）？

从方程（2），不雇用的间接效用是 $1$（规范化）。在平台上工作的间接效用是：

$$\frac{\exp(X_j\beta^k_\chi)}{w_{oj}^{\alpha^k}}$$

如果我们增加工资 $\Delta w$，买方在以下情况下与不雇用无差别：

$$\frac{\exp(X_j\beta^k_\chi)}{(w_{oj}+\Delta w)^{\alpha^k}} = 1$$

求解 $\Delta w$：

$$(w_{oj}+\Delta w)^{\alpha^k} = \exp(X_j\beta^k_\chi)$$$$w_{oj}+\Delta w = \exp\left(\frac{X_j\beta^k_\chi}{\alpha^k}\right)$$$$\Delta w = \exp\left(\frac{X_j\beta^k_\chi}{\alpha^k}\right) - w_{oj}$$

这是买方为雇用该工人而支付的最高工资与实际工资之间的差异。

在数据中我们没有直接观测 $X_j\beta^k_\chi$（它包含 $\varepsilon_{oj}$），所以我们：

从聘用决策中模拟 $\varepsilon_{oj}$（使用接受-拒绝）
计算 $X_j\beta^k_\chi + \varepsilon_{oj}$
计算剩余如上所示

3.5b 期望买方剩余（给定发布）

这考虑了工作可能无法填补的事实（在数据中，仅 20% 的工作被填满）。

使用消费者剩余的标准公式，与所有申请人的工资集成：

$$E(\text{剩余/小时})^{k\chi} = \int_0^\infty (1 - p(0|\tilde{J}_o, k, \chi)) \times (w^* - w) \, dw$$

其中 $p(0|\tilde{J}_o, k, \chi)$ 是"不雇用"的概率，$w^*$ 是有效"需求曲线"的截距。

直觉：

如果买方非常不愿意支付高工资（需求缺乏弹性），买方剩余很高
如果买方对工资很敏感（需求富有弹性），买方剩余很低

4. 估计结果的关键数字解读

现在我们有足够的理论背景，让我们解析主要数值结果（表 4-8）。

4.1 需求参数（表 4）：买方的三种类型

第一行：买方类型份额

类型 2（最常见）：76% 的买方
类型 3（中等）：20% 的买方
类型 1（活跃）：4% 的买方

第二行：工作填补弹性 (Job Fill Elasticity)

$$\varepsilon_{\text{fill}} = \frac{\partial \ln p(\text{hire})}{\partial \ln w}$$

类型 2 的 $\varepsilon_{\text{fill}} = -3.24$ 意味着：

如果所有工资增加 1%，填补概率降低 3.24%
这表明适度的需求缺乏弹性（但不是极端的）

类型 1（高销售额买方）的 $\varepsilon_{\text{fill}} = -4.53$ 意味着：

他们对价格更敏感 — 他们可能面临更强的竞争，需要货比三家

第三行：被考虑申请人的平均数

类型 2：15.38 申请人
类型 1：20.51 申请人
类型 3：21.29 申请人

解读：尽管类型 1 是最活跃的发布者，他们考虑更多申请人。这可能表明：

他们更谨慎（或优化程度较低）
或他们寻求更特殊的特征组合

第四行：经历后的月度工作发布频率

类型 2：0.09 工作/月 → 非常不活跃，一年仅 1 次工作
类型 1：4.23 工作/月 → 每周 1 次，持续业务
类型 3：0.70 工作/月 → 中等活跃

4.2 工人剩余（表 6）：标记定价

第 1 行：被雇用工人的每小时剩余 = **$1.97** SD = $1.63

这听起来不多，但记住：

他们已经赚取了他们的工资 $w_{oj}$
这是额外的经济剩余，超过他们的机会成本

第 2 行：标记 = 1.28 或 28%

经济学解读：

平均而言，工人出价是他们成本的 1.28 倍
他们建立 28% 的加成在他们的边际成本之上
这比完全竞争（加成 = 1.00）要大得多

为什么是 28% 而不是更高？

工人不是垄断企业；他们仍然面临相当多的竞争（平均 26 个申请者每个工作）
但搜索摩擦给了他们一些市场力量

对比：在一个单一底价拍卖中（所有申请人同时看到彼此的出价），加成会趋向 1.00。搜索摩擦推高了加成。

4.3 应用顺序效应（图 5 和 6）：搜索摩擦量化

图 5 说明：预期工人剩余如何随申请顺序下降

申请人 1-10：$2.18 预期剩余
申请人 11-20：$1.15（下降 47%）
申请人 21-30：$0.73（下降 67%）
申请人 31-40：$0.55（下降 75%）
申请人 40+：< 5% of hourly cost

经济学解读：

即使有很多申请者，早期的人获得巨大的优势
这是搜索摩擦量化
论文认为这种顺序偏差的稳健性非常高（附录表 A.2：每 10 位位置下降 = 0.57% 的交互概率）

模型验证（图 6）：

蓝色线（数据中的实际出价）：应用人 61-70 出价低 3.5% vs. 申请人 1-10
红色线（模型预测的标记）：应用人 61-70 出价低 2.4% vs. 申请人 1-10

模型捕捉了大约 68% 的顺序效应 (2.4% / 3.5%)。剩余 1.1% 可能来自：

样本稀疏（> 97% 的工作考虑 < 80 申请人）
模型中未捕捉的其他因素

5. 政策反事实：为什么监管会伤害工人

5.1 反事实设置

论文检验政策情景：对买方的工资出价征收 10% 税收（模仿 FICA 雇主税）。

两个版本：

主要：税收有常规的动态效应
替代：关闭"高工资 → 较低未来发布"的链接

5.2 逐步机制

阶段 1：工人对税收的响应

工人观察到买方的新实际成本增加了 10%。

他们预计：买方对工资更敏感（接受的工资出价必须补偿 10% 的税收）。

结果：工人提高他们的出价 8.8%（表 9，面板 A）来补偿降低的接受概率。

阶段 2：招聘率下降（静态）

较高的工资出价使买方的成本更高。

从需求曲线（方程 2），招聘概率下降 27%。

这本身就会伤害：

工人：聘用概率下降 → 预期收入下降
买方：聘用率下降 → 每份工作的剩余下降

阶段 3：长期效应 — 工作发布下降

这是关键的乘数效应。

从方程（8），买方的工作发布速率取决于他们过去看到的工资：

$$\log(\lambda^{\text{Arrival}}_{k\chi}) = \delta_1^k + \delta_2 \mathbb{1}(\chi > 0) + \delta_3 \hat{w}_{oj}$$

估计的 $\delta_3 = -2.02$（表 4，面板 D，最后一行），意思是：

如果过去工资 ↑ 1 个标准差 (0.037 log points)，
那么未来工作发布速率 ↓ $2.02 \times 0.037 = 7.6\%$

在反事实中，经历税收的买方观察到 8.8% 的更高工资。

这导致他们在未来发布更少工作。

经验买方（已经从事该平台）：工作发布 ↓ 67%（表 9，面板 B）

阶段 4：工人遭受最大伤害

较小的市场（更少的工作）比较少的招聘率更伤害工人，因为：

失业的固定组件变大（许多工人根本找不到工作）
聘用工人的剩余减少了 26%（静态）
但现值剩余减少了 59%，因为市场规模缩小

即使整个税收收入 ($) 被回扣给工人，net 效果仍然是负的 37%（表 9，面板 C，“P.V. 有税收回扣”）。

5.3 为什么政策分析困难：市场均衡的复杂性

这个反事实说明了为什么在市场中简单地"为工人提供补偿”不起作用：

市场规模减少了（较少的工作发布）
这对所有人都不利，包括获得补偿的工人
原因：买方对价格敏感（通过 $\delta_3 < 0$）

如果 $\delta_3 = 0$（买方对过去工资不敏感），然后：

工作发布保持不变
税收收入的全额回扣会使工人受益 12%（表 9，第 2 列，面板 C）

但估计显示 $\delta_3 \approx -2.02$，因此市场规模确实对政策敏感。

小白也能懂

目标： 不用死记硬背，通过“公式+直觉”的对应关系，彻底看懂结构估计是怎么跑出来的。

序言：结构估计的本质

想象你手里有一个**“模拟人生”游戏机**（这就是模型）。游戏机上有几个旋钮（参数 $\theta$），分别控制里面小人的“贪婪程度”、“懒惰程度”和“敏感程度”。

MLE（最大似然估计）的任务就是： 不断调节这几个旋钮，直到游戏机里小人做出的行为（发帖、雇佣、报价），和我们在现实数据里看到的行为一模一样。

模块一：买家选人模型 (Choice Model)

核心问题： 面对一堆简历，买家为什么选了 A 没选 B？

1. 核心公式 (Utility & Probability)

买家 $k$ 雇佣工人 $j$ 的效用函数（得分）：

$$U_{oj} = \underbrace{X_j \beta}_{\text{能力得分}} - \underbrace{\alpha \log(w_{oj})}_{\text{嫌贵扣分}} + \underbrace{\psi \cdot CF_{oj}}_{\text{质量补丁}} + \epsilon_{oj}$$

买家选择工人 $j$ 的概率（Logit 公式）：

$$P(\text{Hire } j) = \frac{\exp(U_{oj})}{\sum_{l \in \text{Seen}} \exp(U_{ol}) + \exp(U_{NoHire})}$$

2. 我们要估计谁？(Parameters)

$\alpha$ (价格弹性): 旋钮向右拧，买家变得超级抠门；向左拧，买家不在乎钱。
$\beta$ (特征偏好): 旋钮向右拧，买家超级看重学历/评分。
$\psi$ (内生性修正): 这是一个技术性参数，用来过滤掉“高价=高质量”的干扰。

3. 数据怎么告诉我们答案？(Identification)

识别 $\alpha$: 计算机扫描所有数据，发现：当工资 $w_{oj}$ 哪怕只高了一点点，雇佣率 $y_{oj}$ 就暴跌。
- 结论： 计算机把 $\alpha$ 调得很大（比如 -4.0）。
识别 $\beta$: 计算机发现：不管工资多高，只要是有“5 星好评”($X_j$) 的人，总能被录用。
- 结论： 计算机把 $\beta_{score}$ 调成正数。
识别 $\psi$: 计算机发现：有些人工资高得离谱，按理说 $\alpha$ 效应下不该被录用，但他还是被录用了。而且他的 IV 残差 $CF$ 很大（说明有不可观测的高能力）。
- 结论： 计算机调高 $\psi$，把这部分功劳归给“未观测质量”，而不是调低 $\alpha$。

模块二：买家搜索模型 (Search Model)

核心问题： 买家到底看了多少份简历？（这是本文最核心的创新）

1. 核心公式 (Consideration Set Probability)

买家只看前 $n$ 份简历的概率（指数分布）：

$$P(\text{Size} = n) = \lambda \cdot \exp(-\lambda \cdot n)$$

注意： 我们看不见 $n$ 是多少，我们只能看见申请顺序 (Order)。

2. 我们要估计谁？(Parameters)

$\lambda$ (搜索摩擦/懒惰系数):
- $\lambda$ 很大 $\rightarrow$ 买家很懒，看两眼就停了。
- $\lambda$ 很小 $\rightarrow$ 买家很勤快，会看很多份。

3. 数据怎么告诉我们答案？(Identification)

数据特征： 你的数据里有一列叫 Applicant_Order（申请顺序）。
识别逻辑：
- 情况 A： 数据显示，第 50、60、80 个申请者经常被录用。
  - 推理： 如果买家只看前 10 个，他绝不可能录用到第 80 个。能录用第 80 个，说明他肯定看得很深。
  - 操作： 计算机把 $\lambda$ 调小（勤快）。
- 情况 B： 数据显示，录用的全是前 5 名，第 10 名以后几乎没人被录用。
  - 推理： 买家大概率只看前几页。
  - 操作： 计算机把 $\lambda$ 调大（懒惰）。
一句话总结： 录用者的平均排位越靠后，估计出来的 $\lambda$ 越小。

模块三：动态发帖模型 (Posting Dynamics)

核心问题： 买家受了刺激以后，还会不会再来发帖？

1. 核心公式 (Hazard Rate)

买家在 $t$ 时刻发下一个帖子的概率（速率）：

$$\log(\text{Rate}) = \delta_0 + \delta_{Exp} \cdot \mathbb{1}(\text{IsExperienced}) + \delta_3 \cdot \log(\text{Past Prices})$$

2. 我们要估计谁？(Parameters)

$\delta_3$ (价格敏感度): 这是一个负数。表示过去被“宰”得越狠，未来发帖越少。

3. 数据怎么告诉我们答案？(Identification)

数据特征： 你有买家的历史记录。
- 买家 A：上次招人花了 $50/小时（很贵），结果过了 12 个月才发下一个帖。
- 买家 B：上次招人花了 $10/小时（便宜），结果过了 1 个月就发下一个帖。
识别逻辑： 计算机发现“历史高价”和“长发帖间隔”之间有强烈的正相关。
- 操作： 计算机把 $\delta_3$ 设为一个显著的负数（如 -2.02）。
作用： 这个参数直接决定了反事实模拟中，收税会导致市场规模萎缩多少。

模块四：供给侧成本反推 (Supply Side Inversion)

核心问题： 工人心里到底怎么想的？成本是多少？

1. 核心公式 (Inverse Elasticity Rule)

这是基于 FOC 推导出来的“读心术”公式：

$$\text{Cost} = \frac{\text{Wage}}{1 + \text{Markup}}$$

其中，加价率（Markup）完全取决于工人感知的需求弹性：

$$\text{Markup} = \frac{1}{\text{Elasticity}(\hat{\alpha}, \hat{\beta}, \hat{\lambda}, b)}$$

2. 我们要估计谁？(Parameters)

$b$ (信息权重): 工人有多信赖自己看到的私有信号？
- $b=0$: 工人很傻，觉得所有买家都一样。
- $b=1$: 工人很精，知道这个买家特抠门，那个特大方。

3. 数据怎么告诉我们答案？(Identification via NLLS)

前提： 我们已经用 MLE 拿到了 $\hat{\alpha}, \hat{\beta}, \hat{\lambda}$。
识别逻辑：
- 观察同一个工人，这周申了两个类似的工作。
- 工作 A 他报价 $10，工作 B 他报价 $15。为什么变了？
- 因为他对工作 A 的买家和工作 B 的买家有不同的预期（信号）。
- 如果 $b=0$，模型预测他的报价应该不变（都看平均）。
- 如果 $b=1$，模型预测他的报价应该剧烈波动。
操作： 计算机调整 $b$，使得模型预测的工资方差 $\approx$ 数据里的真实工资方差。

终极总结表：参数-数据的一一映射

步骤	这里的参数…	是通过看这个数据…	由这个机制锁定的
MLE (需求)	$\alpha$ (价格敏感)	工资高低 vs 录用率	越贵越没人要 $\rightarrow$ $\alpha$ 越大
MLE (需求)	$\beta$ (偏好)	评分高低 vs 录用率	评分高总被录 $\rightarrow$ $\beta$ 越大
MLE (搜索)	$\lambda$ (懒惰)	申请顺序 vs 录用率	越靠后越没人要 $\rightarrow$ $\lambda$ 越大 (懒)
MLE (动态)	$\delta_3$ (回头客)	历史价格 vs 下次发帖时间	以前买贵了就不来了 $\rightarrow$ $\delta_3$ 越负
NLLS (供给)	$b$ (信息)	同一工人的工资波动	报价忽高忽低 $\rightarrow$ $b$ 越大 (信信号)

博士生复现 Checklist

如果你要自己做，哪怕数据换了（比如换成 Airbnb 或 Uber），这套逻辑是不变的：

建 Likelihood： 把模块一、二、三的概率乘起来。
喂数据： 主要是 Hire, Wage, Order, Time_Gap 这四列。
求极值： 让计算机跑 MLE，得到 $\hat{\alpha}, \hat{\lambda}, \hat{\delta}$。
反推成本： 用 $\hat{\alpha}$ 算出弹性，反推 Cost。
拟合波动： 用 Wage 的方差定出 $b$。
模拟政策： 改税率，用 $\hat{\delta}$ 算市场萎缩。

现在，你应该能清晰地看到每一个希腊字母背后，是哪一列数据在起作用了。

结构化估计 on 欢迎光临寒舍

谁从在线零工经济平台中获益？—— Stanton & Thomas (2025) 结构化估计方法论深度解析

结构化估计方法论深度解析报告 —— 基于 Stanton & Thomas (2025) 的逆向工程

第一步：理论构建 —— 搭骨架 (Theoretical Derivation)

第二步：需求侧参数估计 —— 填肉 (Empirical Estimation)

第一阶段：准备与降噪 (Data Prep & First Stage)

第二阶段：结构参数估计 (Structural Estimation)

第三步：供给侧成本反推 —— 读心术 (Calibration / Fitting)

控制函数法

构建买家效用与选择模型 (The Choice Model)

第四步：反事实模拟（动态模拟）

极大似然估计

核心重温：成本反推

总结：一张表看懂递进关系

《谁从在线零工经济平台中获益？》深度解构

执行摘要

1. 理论动机与直觉

1.1 核心经济学权衡

1.2 现有文献的缺口

1.3 核心机制：两股力量维系工人剩余

机制 A：工人差异化 (Worker Differentiation)

机制 B：买方搜索摩擦 (Buyer Search Frictions)

1.4 关键洞察总结

2. 模型解剖

2.1 模型的"骨架"：三个子游戏

2.2 三个相互关联的子模型

子模型 I：需求模型 (Demand Model) — 给定考虑集的购买选择

子模型 II：供给模型 (Supply Model) — 工人的最优出价

子模型 III：工作发布到达过程 (Job Posting Process)

2.3 模型的五个关键假设

3. 推导复现与教学

3.1 核心命题 I：考虑集加权的聘用概率

3.2 核心命题 II：工人最优加成定价规则

3.2a 工人的最优化问题

3.2b 经济学解读：加成定价规则

3.2c 工人成本的恢复公式

3.3 核心命题 III：识别策略——两个工具变量

3.3a 内生性问题

3.3b 工具变量策略的逻辑

3.3c 工具变量 #1：汇率变动

3.3d 工具变量 #2：竞争强度

3.4 核心命题 IV：估计策略——控制函数方法

3.4a 控制函数的直觉

3.5 核心命题 V：买方剩余的计算

3.5a 条件买方剩余（给定雇用）

3.5b 期望买方剩余（给定发布）

4. 估计结果的关键数字解读

4.1 需求参数（表 4）：买方的三种类型

4.2 工人剩余（表 6）：标记定价

4.3 应用顺序效应（图 5 和 6）：搜索摩擦量化

5. 政策反事实：为什么监管会伤害工人

5.1 反事实设置

5.2 逐步机制

阶段 1：工人对税收的响应

阶段 2：招聘率下降（静态）

阶段 3：长期效应 — 工作发布下降

阶段 4：工人遭受最大伤害

5.3 为什么政策分析困难：市场均衡的复杂性

小白也能懂

序言：结构估计的本质

模块一：买家选人模型 (Choice Model)

1. 核心公式 (Utility & Probability)

2. 我们要估计谁？(Parameters)

3. 数据怎么告诉我们答案？(Identification)

模块二：买家搜索模型 (Search Model)

1. 核心公式 (Consideration Set Probability)

2. 我们要估计谁？(Parameters)

3. 数据怎么告诉我们答案？(Identification)

模块三：动态发帖模型 (Posting Dynamics)

1. 核心公式 (Hazard Rate)

2. 我们要估计谁？(Parameters)

3. 数据怎么告诉我们答案？(Identification)

模块四：供给侧成本反推 (Supply Side Inversion)

1. 核心公式 (Inverse Elasticity Rule)

2. 我们要估计谁？(Parameters)

3. 数据怎么告诉我们答案？(Identification via NLLS)

终极总结表：参数-数据的一一映射

博士生复现 Checklist