我们研究了大型语言模型（LLM）通过确定关键领域、方向和含义来增强实验中的科学实践的潜力。首先，我们讨论了这些模型如何改进实验设计，包括改进启发措辞、编码实验和生成文档。其次，我们讨论了使用LLM的实验实施，重点是通过创造一致的体验、提高对指令的理解以及实时监控参与者的参与度来增强因果推理。第三，我们强调LLM如何帮助分析实验数据，包括预处理、数据清理和其他分析任务，同时帮助审查者和复制者调查研究。这些任务中的每一项都提高了报告准确发现的概率。

人口普查树是美国历史人口普查中有史以来最大的记录链接数据库，1850年至1940年间居住在美国的人口有超过7亿个链接。这些高质量的链接使社会科学和其他学科的研究人员能够构建一个具有高度代表性的纵向数据集。在本文中，我们描述了我们创建人口普查树的过程，从一个免费在线家谱平台的用户提供的3.17亿个链接开始。然后，我们使用这些链接作为机器学习算法的训练数据来进行新的匹配，并结合最近的其他努力来链接美国历史人口普查。最后，我们介绍了一个过滤链接和判断分歧的程序。我们完整的人口普查树实现了相邻人口普查之间的匹配率，男性在69%至86%之间，女性在58%至79%之间。人口普查树以前所未有的速度包括女性和美国黑人，前者包含3.14亿个链接，后者包含4100多万个链接。

我们研究了天然气繁荣对经济的短期和长期影响，在这种经济中，能源可以用煤炭、天然气或清洁能源生产，技术方向是内生的。从短期来看，天然气的繁荣通过诱导煤炭的替代来减少碳排放。然而，天然气的繁荣阻碍了针对清洁能源的创新，这会推迟甚至永久阻止能源向零碳转型。我们使用能源部门定向技术变革的基准模型，对这些力量进行形式化和定量评估。从数量上讲，随着美国经济被推入“化石燃料陷阱”，长期创新从可再生能源转向，对页岩气繁荣的技术反应导致排放量大幅增加。总的来说，页岩气的繁荣减少了我们在自由放任下的社会福利，而再加上碳税和更慷慨的绿色补贴，它本可以大幅增加福利。

气候变化正在世界各地造成明显的危害。政治和法律努力试图将气候影响与具体排放量联系起来，包括在最近关于损失和损害的国际政策讨论中。然而，不存在L&D的定量定义，也不存在将特定排放量与特定损害联系起来的框架。在这里，我们开发了这样一个框架，将其与最近计算二氧化碳（SC-CO2）社会成本的努力明确联系起来，并展示了其在各种应用中的用途。我们计算出，作为L&D的一个组成部分，过去排放造成的未来损失至少比相同排放造成的历史损失大一个数量级，这是L&D中一个更常见的组成部分：1990年排放的1吨二氧化碳到2020年造成全球累计贴现损失4美元，到2100年造成额外的327美元贴现损失（2%贴现率）。这些对边际排放过去和未来损害的估计可用于计算一系列特定排放活动的L&D：例如，在过去十年中，一个人每年乘坐一次长途飞行，到2100年将产生约5500美元的损害，到2020年，1988-2015年间与多个石油巨头相关的排放已经造成了50-2000亿美元的全球经济损失，自1990年以来，美国的二氧化碳排放在2020年造成了约2万亿美元的全球损失，其中印度（2.93亿美元）和巴西（1670亿美元）受到的损失最大。碳去除为解决L&D提供了一种转移支付的替代方案，但我们表明，随着排放和再捕获之间的延迟增加，它在限制损害方面变得越来越无效。

数字技术正在重塑工作场所，实现办公室的空间分离，即远程工作或远程智能，并通过人工智能促进服务部门任务的自动化。本文首次尝试实证研究人工智能和RI在服务业中是互补的还是替代的。它使用了一个工人级的调查小组，从新冠肺炎大流行前到2022年底，从大约10000名工人中收集了数据，我们发现初步证据表明，人工智能和RI是互补的，而不是替代的。证据首先来自公司和员工层面对人工智能推广和RI推广软件的投资正相关，其次来自员工对远程工作和软件自动化的期望正相关。证据远未确定，但表明补体替代问题是未来研究的一条富有成果的路线。

并非所有公司都有同等的能力吸收生产性信贷。识别那些具有更高潜力的人可能会对生产力产生重大影响。我们收集了坦桑尼亚中小型公司的详细调查数据，这些公司从一家大型商业银行借款，而这家银行又通过国际资本市场筹集资金。使用机器学习方法来识别贷款增长的预测因素，我们首先记录了我们实现了高预测能力的比率。第二，“软”信息（企业家的创业动机和面临的限制）比行政数据（部门、年龄等）更具预测力。第三，女性比男性有一套不同且更大的预测因素，这与女性企业家在有效资本配置方面面临的更大障碍一致。

我们评估了《2022年通胀削减法案》授权的大宗电力清洁电力税收抵免的分配和效率后果。为此，我们将详细的电力容量扩张、可计算的总体平衡、数据丰富的微观模拟和空气污染模型联系起来，从经济福利和健康影响的角度估计各种人口群体的政策发生率。我们通过将税收抵免与不同收入回收方法的总量管制和交易政策进行比较，来评估政策效率和收入累进性之间的权衡。在所分析的情景下，大宗电力税收抵免导致清洁电力技术部署的增加，导致资本从经济其他领域的重新分配，资本和其他商品的价格上涨，电价降低，排放减少。税收抵免为经济福利和健康影响带来了渐进的结果。鉴于家庭和排放源位置的一致性，健康福利超过了总政策成本，并为低收入和历史上处于边缘地位的家庭提供了更大的福利。

我们使用现场实验来衡量财政激励和道德劝说“推动”改变电动汽车充电时间的有效性。我们发现电动汽车车主对经济激励反应强烈，而微调在统计上没有明显的影响。当经济激励被取消时，收费时间会恢复到干预前的行为，没有显示出习惯形成的证据，并强化了我们“钱很重要”的发现。我们的收费价格响应性估计比典型的家庭用电弹性大一个数量级。这一结果突显了电动汽车充电相对于其他形式的住宅电力需求的更大灵活性。

我们使用美国23个州工人近宇宙的受限访问、地理编码数据，以量化风能开发对当地收入和就业的影响，按种族、民族、性别和教育程度划分。我们发现，除了亚群体之间的其他系统性差异外，没有受过高中教育的工人或受过大学教育的工人的相对影响最大。我们将这些结果和使用县工人水平数据的估计值进行比较，例如可以使用公开可用的数据获得的数据。我们发现，（a）相对于地理编码的工人水平估计，县级估计值显著降低，（b）偏差程度因子人群而异，因此使用限制访问数据与大多数子人群的县级数据进行的影响定性比较不一致。我们讨论了在能源转型政策中实现公平目标的影响。

我们提供了一个通用框架，用于将从汇总统计到对选定消费者的全面调查的许多类型的微观数据纳入Berry、Levinsohn和Pakes（1995）式的差异化产品需求系统估计中。我们将Conlon和Gortmaker（2020）中BLP估计的最佳实践扩展到微观数据的情况，并在我们的开源软件包PyBLP中实现。蒙特卡罗实验和经验示例表明，结合微观数据可以显著提高BLP估计器的有限样本性能，特别是当使用目标明确的汇总统计或我们推导并展示如何计算的“最优微矩”时。