-
自然资源冲击有助于研究低技能男性如何应对劳动力市场状况的变化
在全球不平等日益加剧的背景下，了解对低技能工人的需求发生变化时会发生什么是很重要的。由于自然资源冲击在本质上是全球性的，但对资源开采地区的劳动力前景具有高度地方性的影响，因此它们为评估面临当地劳动力市场条件极端变化时低技能男性的行为提供了独特的机会。这种情况可以用来评估广泛的结果，从教育和收入，到婚姻和生育状况，再到投票行为。
更多的少
-
开放科学可以提高研究的可信度，但前提是要有正确的激励机制
开放科学和研究透明度运动旨在使研究过程更加可见，并加强结果的可信度。开放研究实践的例子包括开放数据、预注册和复制。开放科学的支持者认为，公开数据和代码使研究人员能够评估一项主张的真实性，并提高其可信度。反对者经常反驳说，重复实验成本高昂，而且开放科学的努力并不总是能得到成果发表的回报。
更多的少
-
激励措施被认为是衡量个人风险偏好的黄金标准，但这是正确的吗?
在许多情况下，风险规避是一个重要因素，包括个人关于投资或职业选择的决定，以及政府关于影响环境、工业或健康风险的政策的选择。风险偏好是通过调查或带有真实结果的激励游戏来衡量的。回顾衡量个人风险厌恶的不同方法表明，最佳方法将取决于所提出的问题和研究的目标人群。特别是，经济学家关于激励游戏的黄金标准可能在所有情况下都优于调查。
更多的少
-
对独立合同工的研究表明，工人的努力对工资激励的反应可能比之前认为的更大
经济政策中的一个基本问题是劳动力供给如何对薪酬变化作出反应。劳动力供给的响应性决定了累进所得税对就业的影响和效率损失的大小。它还影响对从财政应对措施到商业周期到政府转移支付计划等政策影响的预测。独立承包人所从事的工作的特点提供了一个机会来克服早期研究所面临的问题，并帮助回答这个基本问题。
更多的少
-
新的数据来源带来了挑战，可能需要新的技能
大数据指的是规模更大、频率更高、往往更个性化的数据集。例如，家庭中的智能传感器收集的数据或Twitter上的tweet聚合。在小数据集中，传统的计量经济学方法往往优于更复杂的技术。然而，在大型数据集中，机器学习方法大放异彩。为了在经济学中充分利用大数据，需要新的分析方法。因此，研究人员和政策制定者如果想要充分利用这些新的大数据来源，就应该密切关注机器学习技术的最新发展。
更多的少
-
是否应该重新审视衡量就业和失业的统计标准?
衡量就业和失业对经济政策至关重要。国际商定的措施(如基于标准定义的总人数就业和失业率)增强了跨时间和空间的可比性，但实际劳动力市场和政策议程的变化对这些传统惯例提出了挑战。不同劳动力市场状态之间的界限模糊，使识别变得复杂。每个州的个人经历可能会有很大的不同，这突出了每个就业或失业人员在统计指数中如何加权的重要性。
更多的少
-
实验是黄金标准还是只是过度炒作?
计划的非实验评估比较选择参加计划的个人和不参加计划的个人。这种比较存在将非随机选择与其因果效应混为一谈的风险。通过随机分配个人参加或不参加该计划，实验评估消除了非随机选择的可能性，以对参与者和非参与者进行偏见比较。在这样做的过程中，他们为程序效应提供了令人信服的因果证据。同时，实验不是万灵药，需要仔细设计和解释。
更多的少
-
参照组的选择决定了主观剥夺，从而影响劳动力市场行为
为什么不同的人口群体(如农村与城市、青年与老年人、男性与女性)对相同的客观劳动状态的体验不同?一种假设是，人们更关心相对剥夺，而不是客观剥夺，他们更看重自己的地位，而不是参照组的同龄人的地位。在劳动力市场中检验这一假设的一种方法是，在控制定义人口群体的特征的同时，衡量劳动力状况的个体差异。这一措施被称为“相对劳动剥夺”，可以帮助政策制定者更好地了解劳工索赔是如何产生的。
更多的少
-
GDP只能概括一个国家状况的一个方面;GDP之外的其他指标也很有价值
国内生产总值(GDP)是经济健康状况的关键指标，可以很容易地在各国之间进行比较。但它也有局限性。GDP告诉我们今天发生了什么，但不能告诉我们增长的可持续性。它并不衡量幸福，所以即使GDP在增长，居民也可能不满意。GDP不考虑环境因素，也不反映个人在有偿就业之外的活动。在发生军事冲突、自然灾害或恐怖主义行为之后，由于财产损失不计算在内，这一数字可能会增加。因此，补充措施可能有助于更全面地显示经济状况。
更多的少
-
使用分解方法有助于衡量群体之间经济歧视的数量和来源
男女之间、白人和黑人工人之间，或任何两个不同群体之间的工资差异，都是劳动力市场上一个有争议的特征，引发了人们对雇主歧视的担忧。分解方法通过将这些差异分为以下几个方面来揭示这些差异:(i)组成效应，这是由可观察变量(例如教育水平)分布的差异来解释的;(2)结构效应，由可观察变量和不可观察变量的回报差异来解释。通常，重大的结构性影响，如教育回报的不同，可能表明存在歧视。
更多的少
