Large Language Models: An Applied Econometric Framework
大语言模型：一个应用计量经济学框架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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要提供跨应用的文本预测与测量框架，未明确对应所列特定因果、宏观或金融方向。
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…
大语言模型：一个应用计量经济学框架
- 研究问题
- 研究者用大语言模型从文本预测结果或测量经济概念时，需要满足哪些设计与验证要求，才能支持有效的实证结论？
- 方法与思路
- 作者区分文本预测与下游参数估计：前者强调避免训练泄漏，后者结合模型输出与小规模验证样本进行估计和推断。
- 材料陈述的贡献
- 摘要提出两类使用场景的计量框架，强调验证样本对一致、精确估计的作用，并指出模型和提示选择可能显著改变参数估计。
- 阅读关注点
- 应核对无训练泄漏的定义及核查方式、验证样本的抽取要求、测量误差修正方法，以及下游推断所依赖的具体条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出估计公式、验证样本规模或一致性条件，不能据此保证任意任务有效。
原文摘要
Large language models (LLMs) enable researchers to analyze text at unprecedented scale and minimal cost. Researchers can now revisit old questions and tackle novel ones with rich data. We provide an econometric framework for realizing this potential in two empirical uses. For prediction problems -- forecasting outcomes from text -- valid conclusions require ``no training leakage'' between the LLM's training data and the researcher's sample, which can be enforced through careful model choice and research design. For estimation problems -- automating the measurement of economic concepts for downstream analysis -- valid downstream inference requires combining LLM outputs with a small validation sample to deliver consistent and precise estimates. Absent a validation sample, researchers cannot assess possible errors in LLM outputs, and consequently seemingly innocuous choices (which model, which prompt) can produce dramatically different parameter estimates. When used appropriately, LLMs are powerful tools that can expand the frontier of empirical economics.