薪酬分配中有两个普遍存在的经验规律:工资的方差随着经验的增加而增加，工资残差的创新有一个很大的、不可预测的组成部分。对这些模式的主要解释是，随着时间的推移，要么企业了解了工人的生产率，但生产率保持不变，要么工人的生产率本身发生了异质演化。在本文中，我们试图解开这两个模型，并对它们的相对重要性进行衡量。我们推导了一个学习和生产力的动态模型，该模型嵌入了这两个模型，并允许它们共存。我们根据一家大型公司20年的薪酬和绩效指标(Baker-Gibbs-Holmstrom数据)对我们的模型进行了评估。结合绩效衡量产生了两个关键的创新。首先，面板结构意味着我们对生产力的相关因素有重复的测量，而雇主学习的经验证据只使用一个固定的测量方法。其次，我们可以将生产率与薪酬分开，而以前关于生产率演变的文献不能这样做。我们发现这两个模型在解释数据时都很重要。然而，主要的影响是，工人的生产力会随着时间的推移而发生特殊的变化，这意味着企业必须不断地了解一个移动的目标。 Therefore, while the majority of pay dispersion is driven by variation in individual productivity, wages differ significantly from individual productivity at all experience levels due to imperfect information. We believe this represents a significant reinterpretation of the empirical literature on employer learning.