对于票房的经济学估计
票房是电影收入的主要来源之一，电影票房估计较早的研究来自Smith&Smith (1986)。这一视角的基本出发点是尽可能预测具有何种特征的电影会有好的票房。研究者们采用的特征主要有电影类型（喜剧片、动作片、纪录片、爱情片等等）、获奖情况、电影投资制作成本、是否有大牌影星参与、电影上映选取的时机等等。如我们前面提到的Smith&Smith (1986) 给出了一个讨论电影票房为什么成功的尝试。他们试图从奥斯卡获奖以及电影发行时机两个角度阐述那些最成功的电影为什么会成功。文章通过对电影票房和奥斯卡获奖及提名进行计量分析，发现在文章所讨论的36年跨度当中，奥斯卡获奖及提名与否对票房的影响结果是不同的，对此他们认为可能的解释原因是消费者的口味改变了。Simonet (1980) 、Litman (1983)也有过类似的研究。
Prag and Casavant (1994)从样本数量和解释变量两方面进一步拓展了Smith and Smith（1986）的研究，他们认为除了电影类型、获奖情况、投资制作成本等研究者们常用的描述电影的特征以外，影评家们的声音、尤其是对电影的批评应该作为电影质量的衡量指标纳入计量分析。另外他们还对影片成本进行了细分，将原来比较笼统的成本分成制作成本、影星的酬劳、剪辑成本。对于影星他们也进行了细分，将影星分为一线和一线以外两种类型。除此以外，他们沿用了MPAA（the Motion Picture Association of America，美国电影协会）对于每部电影评级和类型的分类数据。最后模型分析显示成本、质量、影星、续集、MPAA的评价对于电影票房有显著的正向影响。
Hirschman and Pieros (1985)最早讨论了影评的作用，而且他们对将电影看作艺术品的专业影评家的评论和将电影当作娱乐品的观众的评论进行了区分，结论是电影的艺术价值和娱乐价值可能是不一致的，而且批评和褒奖之间并没有绝对的分界线。
Sochay (1994) 首次将电影在首映周上的相互竞争引入了票房收入方程，在他们的研究中电影类型变量都不显著，也就是说票房情况和电影是爱情片还是纪录片没有显著关系，但是获奖和提名、放映时间的选择（暑期档期和冬季节日档期）都对票房有显著影响。
Anirban Mukherjee，Vrinda Kadiyali（2007）意图用电影产业的数据，讨论在快速变化环境中的需求预测。他们给出了一个在短时间快速变化环境当中预测需求的方法，并将之应用于电影产业中，以期对于电影票房、DVD和录像带、和向电视台出租电影拷贝的收入进行预测。在他们的模型当中考虑了很多电影产业特有的因素，包括：跟单个电影有关的可观测的和不可观测的特点，需求的季节性，不同电影发行渠道内部和相互之间的竞争，不同发行渠道内部和相互之间的市场扩张、替代和互补等等。这些因素既是电影产业特有的，也可以在很多产业当中找到它们的影子，比如环境快速变化、需求季节性，通过电影产业的数据，可以将所有这些因素集合起来，给出一个综合的解决办法。
另外一个引起研究者兴趣的是明星现象。鉴于媒体和大众通常认为大牌明星通常是最好的票房号召力，很多明星在影片拍摄当中获取高额的报酬，好莱坞的一线明星如吉米·凯瑞、布拉德·皮特、汤姆·汉克斯、朱丽亚·罗伯茨，他们每部电影的片酬超过2500万美元。研究者很好奇明星究竟能够给电影带来什么，一些研究直接讨论电影明星对票房的影响，为了测度明星的作用，他们控制了可能会影响电影票房的其他因素，包括发行年份、质量等级、电影分级、原产国、电影长度、电影类型和成本。但是这些研究得到的结论各不相同，因为影响电影票房的因素实在是太复杂了，控制不同的其他影响因素仍然难以衡量到底明星是否会促进电影票房。如De Vany和Walls（1999）用2000部电影的数据样本讨论了电影明星能否降低票房风险和不确定性。他们的结论是电影明星对于票房并无显著增加作用；而Elberse, Anita（2006）利用1200部电影的样本量估计了影星的影响，她甚至给出了具体的数据，测算了影星对于每部电影票房的增加值约为300万美元。
Ravid（1999）对于电影明星在电影当中所起的作用给出了两种解释：一种解释是电影试图通过雇佣工资高昂的大牌明星进行信号显示，显示自己的高回报或者至少是高收益，另外一种解释是明星只是在获取他们的正常工资，并没有信号显示的作用。Ravid用1990年代近200部电影数据对这两种解释进行了检验，结果显示明星对于电影的票房成功没有显著作用。作者的计量结果证实了投资规模大的电影回报高，但是与投资如何分配、用到哪里、是否用来雇佣明星无关。也就是说，明星们只是在获取自己的正常工资。
除了预测电影票房，分析影响因素，还有的研究从电影生产的整体角度来衡量该产业，如De Vany and W. David Walls（2002）讨论了不同分级的电影（美国电影分G、PG、PG13、R等不同级别）的预算、收入、投资回报和利润的概率分布。研究结果表明，好莱坞生产了太多的血腥和恐怖的R级影片。
还有一些研究对电影数据处理的方法论问题进行了讨论。这些讨论的起因是在对电影统计数据进行各种检验时，研究者们发现电影票房的分布存在着“赢家通吃”的现象，票房最高的大片自己就可能占据当年所有票房的15-20%。1998年英国电影市场上《泰坦尼克号》一部电影的票房收入就达到6800万英镑，是排名第二位电影票房的3.5倍。这种现象使得电影产业的数据通常是不符合正态分布的，De Vany最早提出这一问题，并试图给出解决办法，如不再用正态分布，改用帕累托分布等。很多研究者也对此进行了讨论。Alan Collins, Chris Hand 和Martin C. Snell（2002）在预测英国电影票房是否成功的研究中就采用了logit模型，避免数据非正态分布带来的影响。他们设定了一个票房门槛，如果票房数超过这个门槛，就认为是“票房炸弹”（blockbuster）。他们预测了哪些因素对电影成为“票房炸弹”有显著的影响。Jordi McKenzie(2007)也讨论了电影票房数据非正态分布的问题，并且给出了用贝叶斯信息传递模型来解决这一问题的方法。