本文研究双边贸易、移民与外国直接投资流量中普遍存在的厚尾现象，指出尾指数稳健低于有限方差门槛2，使PPML估计量服从非高斯稳定分布，传统Sandwich标准误和置信区间系统性低估不确定性。¹²⁷¹⁵ 研究提出保留PPML点估计、改用无需估计尾指数的国家层面m-out-of-n Bootstrap进行推断；实证显示Bootstrap区间宽度约为传统HC0区间的2.3至2.7倍，并会推翻部分边界效应的显著性结论。³²⁰³¹

研究问题：PPML点估计可靠，但传统推断失效 ¹²

• PPML在条件均值正确设定时仍具有一致性，但传统Gaussian Sandwich推断要求得分具有有限方差，即结果变量需要有限二阶矩。¹
• OECD ICIO贸易数据、双边移民流量和双边FDI存量均呈现Pareto厚尾，尾指数低于2，因此常规标准误、置信区间和假设检验并不可靠。¹⁵⁷
• 研究核心结论是：应保留PPML作为点估计方法，但以厚尾稳健的m-out-of-n Bootstrap替代Gaussian临界值。²¹⁹

五类双边经济数据均表现出厚尾特征 ⁷⁸⁹

• 样本涵盖ICIO 2022年总销售、最终品销售和中间品销售，Abel and Cohen的双边移民流量，以及Steenbergen等人的双边FDI存量；所有数据均为有向起点—终点观测。⁵⁶
• 五个PP图显示经验尾部分布整体贴近45度Pareto拟合线，图中k=500的估计结果如下：

• FDI的厚尾程度最强，深尾估计值约为0.8—1.0；贸易销售约为1.0—1.9，移民流量约为0.9—1.6，均低于有限方差阈值2。⁷⁸

GE一致的厚尾DGP与非高斯极限 ⁹¹¹¹⁵

• 模型将双边流量表示为一般均衡决定的条件均值乘以独立、同分布的有向国家对乘法冲击，集中得分可写为 (s_{ij}=(\varepsilon_{ij}-1)\kappa_{ij})。⁹¹¹
• 当冲击尾指数 (\alpha\in(1,2))时，PPML估计量以 (n^{1-1/\alpha})而非(\sqrt n)的速度收敛，并趋向多元(\alpha)-stable分布。¹⁵¹⁶
• 得分二阶矩矩阵以 (n^{2/\alpha-1})的速度发散，Sandwich t统计量虽保持有界，但其极限分布不是标准正态，因此使用正态临界值会产生非消失的覆盖误差。¹⁵¹⁶

模拟结果：厚尾显著降低传统95%置信区间覆盖率 ¹⁷¹⁸

• 在对称、连续有界和稀疏二元处理变量三种设计下，尾部越厚，传统Sandwich置信区间覆盖率越低；稀疏二元设计的失真最严重。¹⁷¹⁸
• 当 (\alpha=1.2)时，Design A在 (N=50,75,100)下的覆盖率约为0.803、0.799和0.807，Design C约为0.756、0.768和0.773，表明误差不会随样本量扩大而消失。¹⁸
• 在双向固定效应模拟中，HC0覆盖率从有限方差基准下的0.93降至 (\alpha=1.2)时的0.79；国家层面Bootstrap覆盖率在多数厚尾情形下回升至0.91—0.97，在最厚尾情形下为0.88。¹⁸¹⁹

m-out-of-n Bootstrap：国家层面子网络重抽样 ¹⁹²⁰²¹

• 第一步在全样本上估计PPML和Sandwich标准误；第二步每次无放回抽取 (G) 个国家，构造包含 (G(G-1))条有向边的完整子网络，并重新估计PPML及固定效应。²⁰
• 推荐设置为 (G=\lfloor N^{0.7}\rfloor)，满足 (G\to\infty)且 (G/N\to0)；每个子样本使用以全样本估计量为中心的自标准化统计量，最后以Bootstrap分位数构造置信区间。²⁰
• 方法无需估计尾指数、稳定分布尺度或谱测度；实践中建议Bootstrap重复次数 (M=300)—(500)，对区间边界要求较高时可使用 (M\ge1000)。²¹
• 该方法在有限方差Gaussian情形和无限方差stable情形均有效，因此无需事先准确判断具体尾指数。²¹

实证应用：Bootstrap区间显著宽于传统区间 ^23242728

• 贸易样本中，Bootstrap将接壤和共同语言的区间推至包含零，而对数距离仍保持显著；殖民关系系数在所有推断方法下均不显著。²⁴
• 移民样本中，对数距离系数约为−1.313、殖民关系系数约为1.495，二者在四种推断方法下均显著，但接壤和共同语言效应在Bootstrap下覆盖零。²⁷
• FDI是厚尾最严重的场景，约62%的国家对为结构性零值；Bootstrap使接壤、共同语言和殖民关系的传统显著性结论失效，而对数距离仍显著。²⁷²⁸

聚类标准误不能替代厚尾Bootstrap ²³²⁹⁷¹

• 单向起点聚类和双向起点—终点聚类能够扩大区间宽度，但仍依赖Gaussian临界值，无法修正无限方差下的非正态极限分布。²³²⁹
• 不同数据场景中，单向聚类通常使HC0区间扩大16%—38%，双向聚类扩大39%—91%，但其覆盖性质仍可能错误，甚至可能把本应不显著的系数推向显著。²⁹⁷¹
• 厚尾诊断显示 (\hat\alpha<2)时，应优先报告国家层面m-out-of-n Bootstrap置信区间，而不能仅依赖HC0或聚类稳健标准误。²²³¹

量化因子与策略：报告不涉及因子构建或投资策略回测 ²¹⁹

• 文章研究的是PPML计量模型、厚尾极限分布和稳健推断方法，不涉及因子筛选、组合构建、调仓规则、收益增强或策略回测。²¹⁹
• 因此不存在需要单独总结的量化因子构建或量化策略生成部分，核心方法是用于重构回归系数置信区间的m-out-of-n Bootstrap。²⁰²¹

一、报告元数据与核心概览

标题：《PPML and Heavy-Tailed Trade and Factor Flows: Why Standard Inference Fails and How to Fix It》（PPML与重尾贸易及要素流：标准推断为何失效以及如何修正）。
作者：Peter H. Egger、Ting Ji、Yulong Wang。
发布机构与日期：所提供文本未明确列出作者所属机构、期刊/工作论文系列、正式发布日期或版本信息，因此这些元数据无法从原文确认。
研究主题：国际贸易、移民流动、外国直接投资（FDI）等双边流量数据中的重尾分布，以及重尾条件下PPML估计的统计推断问题。¹

报告的核心论点并不是否定PPML本身，而是区分了“点估计”和“统计推断”两个层面：在条件均值模型正确时，PPML点估计仍然具有一致性；但由于双边流量普遍呈现Pareto重尾、尾指数低于2，传统基于异方差稳健“三明治”方差的标准误、置信区间和显著性检验不再可靠。¹, ² 作者建议保留PPML作为点估计方法，但用面向重尾分布的m-out-of-n bootstrap替代传统的Gaussian/sandwich推断。², ¹⁹

报告没有股票评级、目标价或公司估值，因为它不是证券研究报告，而是一篇关于计量经济学方法和国际经济数据推断的研究论文。其“结论性建议”是：只要双边流量的尾部诊断显示尾指数低于2，就应报告国家层面的m-out-of-n bootstrap置信区间，而不能继续把传统HC0或聚类稳健区间当作可靠依据。³¹

二、引言：PPML的优势与标准推断的隐患

PPML通过直接设定条件均值 [ E[y_{ij}|x_{ij}]=\exp(x_{ij}'\beta_0) ] 来估计双边销售、贸易、迁移或投资流量，因此能够避免对数线性OLS在异方差下产生的偏误，并且可以自然处理零流量观测。¹ 这里的关键是，PPML并不要求因变量严格服从泊松分布，其一致性主要依赖条件均值设定正确，而不是完整分布设定正确。¹

问题出现在推断环节。传统sandwich方差通常依赖得分具有有限二阶矩，并通过中心极限定理把估计量近似为正态分布；这隐含要求结果变量或得分的方差有限。¹ 如果双边流量服从尾指数为(\alpha<2)的Pareto型分布，则二阶矩不存在，样本中少数极端观测会对得分和方差估计产生决定性影响。⁷, ¹⁴

作者特别强调，双边数据不是普通的独立同分布样本。国家GDP、价格指数、固定效应等变量会在多个国家对之间重复出现，结构性引力模型中的一般均衡价格还由整个贸易成本矩阵共同决定。² 不过，在作者设定的DGP中，条件于这些确定性的国家和双边设计后，配对层面的随机冲击仍然彼此独立，形成的是“独立但非同分布”的三角阵列，而不是必须通过随机相关性来解释的跨配对依赖。²

报告的理论贡献有三点：第一，构造了与一般均衡结构一致的重尾双边流量DGP；第二，证明PPML估计量在重尾下收敛到多元(\alpha)-stable分布，收敛速度不是传统的(\sqrt n)；第三，提出无需估计尾指数或稳定分布尺度参数的m-out-of-n bootstrap，并以Stata包ppmlmn实现。²

三、数据、Pareto尾部与图表分析

3.1 数据结构

贸易数据来自OECD ICIO数据库，覆盖79个国家、50个生产部门和50个用途部门，研究年份为2022年。双边流量是有方向的，即从起源国流向目的国，因此(y_{ij})与(y_{ji})通常不同。⁵, ⁶ 作者构造了三类贸易销售：

1. 总销售：所有生产部门、最终用途和中间用途之和；
2. 最终用途销售：面向家庭消费、政府消费、资本形成和库存等最终需求；
3. 中间用途销售：进入目的国生产过程的中间投入。

三者在每个国家对上满足精确分解： [ y_{ij}=y_{ij}^{f}+y_{ij}^{m}. ] 因此最终品和中间品并不是两个独立样本，而是同一总流量在用途维度上的拆分。⁵

迁移数据来自Abel和Cohen，衡量2010—2015年五年期间从起源国移居到目的国的人数；FDI数据来自世界银行协调双边FDI数据库，衡量目的国持有的、来源于起源国的FDI存量。⁶ 这一区分很重要：迁移是流量，FDI是存量，但两者都被用于双边引力模型。

作者分别考虑是否纳入国内流量。国内销售通常比任意单个国际伙伴的销售大一个数量级，若直接纳入，内部流量可能主要反映国内分配机制，而不是跨境距离、语言和殖民关系等传统引力变量。⁵ 另一方面，国内对角线观测恰恰是最极端的重尾观测，具有很大杠杆作用，因此纳入国内流量会使重尾问题更严重。⁵

3.2 表1：Hill尾指数估计

表1报告了五种结果变量的Hill尾指数：总销售、最终用途销售、中间用途销售、移民流量和FDI存量，并对贸易数据分别报告包含与排除国内流量的结果。⁷, ⁸

表1的最重要信息是：所有单元格的尾指数估计都低于有限方差所要求的临界值2。⁷ 国际贸易销售的估计值大致处于1.0—1.9，迁移大致处于0.9—1.6，FDI最为极端，在深尾部可降至约0.8—1.0。⁷ 对于(\alpha\in(1,2))，变量仍可能存在有限均值，但不存在有限方差；这正是PPML条件均值可以成立、而传统Gaussian推断失效的区域。⁸, ¹²

最终品和中间品的尾部都很重，说明重尾并非总销售混合不同经济用途造成的统计假象；中间品在深尾部甚至略重于最终品。⁷ FDI中部分估计值低于1，按照纯Pareto模型会意味着连一阶矩都不存在，这与条件均值DGP存在张力，因此作者没有把低于1的估计当作精确结构参数，而是将其解释为尾部风险极端严重的证据。⁸

需要注意的是，Hill估计对阈值选择敏感，表1通过多个(k)值检查稳健性，但低于1的估计也表明理论的(\alpha>1)条件可能在部分数据中被经验上突破。作者因此对这些结果采取了审慎解释：它们加强了标准推断失效的警示，但不一定能直接用于校准定理中的精确尾指数。⁸

3.3 图1：Pareto P–P图

报告中的图1比较了五类结果变量的经验条件CDF与拟合Pareto CDF；如果数据的上尾确实符合Pareto分布，蓝色经验曲线应接近红色45度线。⁹

图1中，(a)总销售、(b)最终品销售和(c)中间品销售的尾指数分别约为1.06、1.04和1.07，RMSE分别为0.026、0.020和0.025，说明拟合Pareto尾部相当紧密。⁸, ⁹ (d)迁移流量的尾指数约为1.06，RMSE为0.034；(e)FDI存量的尾指数约为0.81，RMSE为0.037，表明FDI的尾部最重且拟合误差略大。⁹

五个面板的点总体沿45度线排列，支持“正规变异”而非单纯对数正态尾部的假设。⁸ 但曲线存在轻微弯曲，尤其最极端的观测比拟合主体更重，说明单一尾指数只是近似描述；FDI中的特殊目的实体枢纽可能是造成极端尾部的经济原因之一。⁸ 因而图1支持作者的理论方向，但也提示尾部并非完美、同质的单一Pareto分布。

四、一般均衡DGP与理论机制

作者以Anderson—van Wincoop结构引力模型为基础，将人口、贸易成本和贸易弹性决定的均衡收入及价格指数视为确定性结构，并令实现的双边销售等于结构性均值乘以一个均值为1的非负乘法冲击。⁹, ¹⁰ 得分可写成： [ s_{ij}=(\varepsilon_{ij}-1)\kappa_{ij}, ] 其中(\varepsilon_{ij}-1)是重尾随机冲击，(\kappa_{ij})是由均值、协变量和固定效应残差化共同决定的确定性双边乘数。²

这种分解揭示了重尾推断失败的来源：一般均衡结构主要改变不同国家对在得分空间中的权重和方向，即稳定分布的谱测度；它不改变冲击本身的尾指数。¹⁵, ³¹ 即使国家规模、距离和固定效应高度异质，条件于确定性设计后，得分仍可视为独立但非同分布的重尾项。

理论要求(\alpha>1)以保证冲击具有有限均值和PPML条件均值的可定义性，同时要求(\alpha<2)以进入无限方差和非高斯稳定分布区域。¹², ¹³ 在Melitz式企业模型中，作者把(\alpha)解释为生产率尾指数除以替代弹性减一，并指出标准校准值可以产生例如1.25的尾指数，因此重尾假设具有企业层面的经济基础，而不只是统计技巧。⁴⁶

五、为什么传统PPML推断失效

5.1 定理1：点估计仍一致，但极限分布改变

定理1首先保留PPML一致性：当条件均值模型正确、固定效应设计良好时，(\hat\beta)仍收敛于(\beta_0)。¹⁴, ¹⁵ 但在(\alpha\in(1,2))时，估计量不是以(\sqrt n)速度收敛到正态分布，而是以 [ n^{1-1/\alpha} ] 的速度收敛到多元(\alpha)-stable分布。¹⁵

例如，当(\alpha=1.4)时，收敛速度为(n^{0.286})，而非(n^{0.5})。样本量增加十倍时，估计精度大约提高1.9倍，而传统平方根速度会暗示提高3.2倍。¹⁶ 这说明大量增加国家对数量，并不一定能够像传统理论那样快速降低不确定性，因为极端观测的影响不会被普通平均完全消除。

5.2 三明治方差的发散

传统得分协方差矩阵 [ \hat\Omega_n=\frac1n\sum s_{ij}s_{ij}' ] 在重尾条件下以 [ n^{2/\alpha-1} ] 的速度发散。¹⁵, ¹⁶ 这并不意味着t统计量本身一定发散；分子和标准误会以相近的非标准速度缩小，因此t统计量可能保持有界。¹⁶ 真正的问题是其极限分布不是标准正态，而是由同一组极端观测驱动的自标准化稳定分布。

因此，传统置信区间的问题不仅是标准误“估计得不够精确”，而是临界值本身错误。即使使用聚类稳健标准误，只要仍然使用Gaussian临界值，就无法获得正确的渐近覆盖率。¹⁶, ⁷¹

5.3 覆盖率模拟

在理论模拟中，当(\alpha=2)时，名义95%区间的覆盖率接近95%；当尾部变重时，覆盖率下降。¹⁷ 在对称设计A中，(\alpha=1.2)时覆盖率约为0.80；在稀疏二元处理变量设计C中，(\alpha=1.2)时覆盖率仅约0.76—0.77。¹⁷, ¹⁸

设计C尤其重要，因为许多引力研究中的政策变量，如制裁、货币联盟、投资协定或贸易协定，往往只对少数国家对取值为1。¹⁷ 稀疏二元变量的有效识别信息更容易被少数极端观测支配，因此传统区间的失真最严重。更值得注意的是，在(\alpha=1.2)时，随着国家数从50增加到100，覆盖率并没有恢复到95%，这说明误差是非消失的(O(1))覆盖率误差，而不是普通小样本问题。¹⁸

表3进一步比较HC0和国家层面的m-out-of-n bootstrap。在(\alpha=2)时，HC0覆盖率约0.93；在(\alpha=1.2)时下降至0.79，而bootstrap在大部分重尾情形下保持约0.91—0.97，在最重尾的(\alpha=1.2)时仍达到0.88。¹⁸, ¹⁹ 这说明bootstrap虽非有限样本完美，但显著改善了传统区间的覆盖表现。

六、m-out-of-n Bootstrap方法

普通n-out-of-n经验bootstrap在无限方差均值问题下可能不一致，因此作者采用小于原样本量的m-out-of-n bootstrap。⁴, ¹⁹ 其步骤是：

1. 先在全样本上估计PPML和通常的sandwich标准误；
2. 每次从N个国家中不放回抽取G个国家，保留这些国家构成的完整有向子网络，并重新估计PPML及全部固定效应；
3. 用子样本估计值相对于全样本估计值的差异，除以子样本自身的sandwich标准误，构造自标准化统计量；
4. 用大量重复抽样得到的经验分位数替代正态临界值，形成置信区间。²⁰

理论要求(G\to\infty)且(G/N\to0)，实务默认值是(G=\lfloor N^{0.7}\rfloor)，模拟和应用通常使用300—500次重复，若要求更精确的区间端点则建议1000次以上。²¹, ²² 该方法不需要估计(\alpha)、稳定分布尺度或谱测度，因此不会直接受Hill估计阈值选择影响。²¹

其重要优点是兼容两种情形：如果数据有限方差，统计量渐近服从标准正态；如果数据无限方差，则bootstrap学习非正态稳定极限。²¹ 这使它成为一种不需要事先准确判断“究竟是Gaussian还是重尾”的统一推断方法。

七、实证应用与主要表格

7.1 表4：贸易总销售

表4使用ICIO 2022国家对横截面，以出口国和进口国固定效应控制国家规模和方向性异质性，核心变量包括对数距离、是否接壤、共同语言和殖民关系。²³ 国际样本约6000个观测。

bootstrap区间相对于HC0区间的平均宽度比为2.40，纳入国内流量后为2.47。²⁴ 一向起源国聚类只使HC0区间扩大约28%或17%，双向聚类扩大约43%或91%，但仍通常小于bootstrap。²⁴ 更关键的是，双向聚类的区间宽度即使接近bootstrap，也仍使用错误的Gaussian临界值。

对实质结论而言，对数距离和国内贸易虚拟变量在bootstrap下仍显著，殖民关系始终不显著；但接壤和共同语言在HC0及双向聚类下显著，在bootstrap下均跨过零点。²⁴ 因此，重尾修正主要推翻的是边界效应和语言效应等精度较低的结论，而不是所有引力规律。

7.2 表5：最终品与中间品销售

表5将总销售拆分为最终用途和中间用途，二者使用完全相同的国家对支持和固定效应结构。²⁵, ²⁶ 两类流量的Hill尾指数约为1.05和1.07，P–P图RMSE约为0.02，表明两类流量本身都重尾，并不存在一个天然有限方差的子样本。²⁵

bootstrap相对于HC0的区间宽度扩大约126%—148%，两种用途的修正幅度相近。²⁵ 对最终品销售，接壤和共同语言的bootstrap区间接近零；对中间品销售，两者更明确地跨越零点，而双向聚类仍把它们判定为显著。²⁵ 这强化了报告的主结论：重尾问题并非由总量聚合造成，而是同时存在于最终需求和全球生产链中间投入。

7.3 表6：移民流量

移民数据的尾部比贸易更重，深尾部Hill指数可从约1.59下降到0.86。²⁶ bootstrap平均使HC0区间扩大约170%。²⁷ 接壤效应从HC0下的显著区间[0.212, 0.705]变为bootstrap下覆盖零点的区间；共同语言也从显著变为不显著。²⁷

相反，对数距离系数约为−1.313，殖民关系系数约为1.495，在四种推断方法下都保持显著。²⁷ 这说明核心引力机制对推断方法较稳健，但边界和语言变量的显著性高度依赖尾部处理。

7.4 表7：FDI存量

FDI是三类数据中最重尾的，深尾部尾指数约为0.8，接近有限均值条件的边界；同时约62%的国家对是结构性零值，使得PPML在处理零值方面尤其适用。²⁷ bootstrap平均使HC0区间扩大约142%。²⁸

接壤和共同语言在HC0下显著，但在bootstrap下分别变为[-0.351, 1.451]和[-0.492, 1.161]，均覆盖零点。²⁸ FDI还展示了聚类方法可能产生误导性方向：双向聚类把殖民关系区间缩窄到显著为正，而bootstrap给出[-0.677, 1.089]，仍不支持显著关系。²⁸ 这说明聚类方差可能因得分乘积的协方差结构而低于HC0，并将结果“错误地推向显著”。

7.5 表8：原始流量与残差尾部

表8把Hill诊断从原始结果变量推进到PPML乘法残差 [ \hat\varepsilon_{ij}-1=y_{ij}/\hat\mu_{ij}-1. ] 销售残差尾指数约为1.40—1.84，迁移和FDI残差约为0.82—1.13；从(k=100)开始，其置信区间上界对所有指标都低于2。²⁸, ³⁰

这项检验支持“重尾来自随机冲击，而不仅仅是国家规模或条件均值差异”的解释。²⁸ 但作者也承认残差尾指数不如原始流量估计准确，因为(\hat\mu_{ij})本身是估计出来的，并且Hill估计存在向更轻尾方向的偏差，因此表8应被视为对表1的佐证，而不是更精确的尾指数测量。²⁹

八、估值分析：不适用

报告没有DCF、股利折现、P/E、EV/EBITDA、可比公司或目标价估值部分，因为研究对象不是上市公司，而是PPML推断方法。¹, ³¹ 文中的“估计量收敛速度”“区间宽度比”和“覆盖率”是统计性能指标，不能被解释为企业估值或投资回报指标。

九、风险、局限与审慎评价

第一，报告的实证尾部证据很强，但Hill估计依赖阈值，部分估计低于1，与定理要求的有限均值条件存在张力；作者已承认这一点，但这意味着具体尾指数的经济解释应谨慎。⁸

第二，作者的核心DGP假定条件于确定性一般均衡设计后，配对冲击独立。现实中贸易、迁移和FDI冲击可能通过价格、政策、金融网络或共同宏观事件产生随机跨国关联。², ³¹ 作者认为如果冲击反馈到均衡价格，其影响大约为(O(1/N))，不会改变尾指数和极限分布，但这一论证依赖所设定的网络规模和均衡稳定性条件。³¹

第三，m-out-of-n bootstrap的理论有效性需要子网络中的非尖峰残差化设计条件，而该条件并非自动由主假设推出。²¹ 实务中如果少数国家承担绝大多数识别信息，均匀抽取国家可能不能很好复制全样本的谱测度。

第四，报告应用中bootstrap区间普遍比HC0宽130%—170%，这不仅反映尾部严重程度，也受到样本设计、聚类结构和原有Gaussian近似程度影响，因此不能简单把不同数据集的宽度比排序为尾指数排序。²⁹

第五，作者对聚类标准误的批评主要是：聚类可以改变方差缩放，却不能修复无限方差和错误的正态临界值。²⁹, ⁷¹ 但附录B明确说明其关于一般聚类得分重尾性质的论述带有启发式成分，严格处理仍需要更一般的多元正规变异和反抵消条件。⁷¹, ⁷²

十、综合结论

全文建立了一个清晰的逻辑链条：双边贸易、最终品和中间品销售、移民流量以及FDI存量均呈现尾指数低于2的Pareto型重尾；因此，PPML虽然仍适合进行条件均值点估计，但传统HC0、单向聚类和双向聚类置信区间并不具备可靠的Gaussian覆盖率。⁷, ³¹

理论上，PPML估计量收敛到非高斯(\alpha)-stable分布，得分协方差发散，传统t统计量使用了错误的临界值；模拟中覆盖率显著低于95%，且在稀疏二元变量和最重尾情形下误差不会随着国家数量增加而消失。¹⁵, ¹⁸

图1和表1说明重尾是跨数据类型、跨贸易用途和跨分解层级的普遍现象；表4—表7则显示，bootstrap通常保留距离等核心引力规律，却会推翻接壤、共同语言和部分殖民关系等边际显著结论。⁹, ²⁴, ²⁷, ²⁸ 因此，作者总体立场非常明确：保留PPML作为点估计工具，但在尾指数低于2时，用国家层面的m-out-of-n bootstrap替代传统Gaussian sandwich推断。³¹