On the robustness of location estimators in models of firm growth under heavy-tailedness
重尾条件下企业增长模型中位置估计量的稳健性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究企业增长理论中的位置估计稳健性，未明确涉及结构参数估计或其他给定细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
重尾条件下企业增长模型中位置估计量的稳健性
- 研究问题
- 企业依据消费者信号估计理想产品时，信号尾部厚度及位置估计量的稳健性如何改变产出持续性与企业规模演化？
- 方法与思路
- 作者在需求驱动创新与动态空间竞争模型中，比较企业使用样本均值和样本中位数时，不同重尾信号带来的增长性质。
- 材料陈述的贡献
- 摘要称，均值下中等与极端重尾分别对应持续性和反持续性；改用中位数后，中等重尾情形的性质仅需信号对称即可保持。
- 阅读关注点
- 应核对中等与极端重尾的正式界定、信号及企业学习机制，并查看规模优势反转与中位数稳健结论的证明条件。
- 阅读边界
- 所给出版社摘要未提供尾部阈值、完整模型假设或经验验证，因此无法判断这些企业增长机制在实际数据中的适用性。
原文摘要
Focusing on the model of demand-driven innovation and spatial competition over time in Jovanovic and Rob (1987), we study the effects of the robustness of estimators employed by firms to make inferences about their markets on the firms’ growth patterns. We show that if consumers’ signals in the model are moderately heavy-tailed and the firms use the sample mean of the signals to estimate the ideal product, then the firms’ output levels exhibit positive persistence. In such a setting, large firms have an advantage over their smaller counterparts. These properties are reversed for signals with extremely heavy-tailed distributions. In such a case, the model implies anti-persistence in output levels, together with a surprising pattern of oscillations in firm sizes, with smaller firms being likely to become larger ones next period, and vice versa. We further show that the implications of the model under moderate heavy-tailedness continue to hold under the only assumption of symmetry of consumers’ signals if the firms use a more robust estimator of the ideal product, the sample median.