Dynamic Consumer Demand at Large Scale
大规模动态消费者需求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：摘要研究动态商品需求、个体偏好与价格敏感性，并与混合 logit 比较，对应选择模型与结构需求估计。
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…
大规模动态消费者需求
- 研究问题
- 在商品众多、跨类别且重复购买的零售环境中，如何同时刻画消费者偏好、价格敏感性与购买惯性，并实现可扩展估计？
- 方法与思路
- 作者提出动态商品层面因子模型，以共享潜在因子分解个体与商品系数、汇集跨类别信息，并用贝叶斯变分推断估计。
- 材料陈述的贡献
- 摘要称校准模拟中模型比静态因子及混合 logit 基准预测更好，购买记录稀疏时尤其明显；纳入惯性后需求弹性更大。
- 阅读关注点
- 应核对惯性与持久偏好的区分、价格弹性的识别、潜在因子设定及变分近似误差，并审查模拟基准和预测评价口径。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要证据主要来自校准模拟，未说明价格识别条件或真实市场中的因果弹性。
原文摘要
We study consumer demand in large-scale retail settings with many products, multiple categories and repeated purchase behavior. While inertia and brand loyalty are well documented, existing discrete choice models typically focus on single categories or become computationally infeasible in high-dimensional environments. We propose a dynamic product-level factor model that captures heterogeneity in baseline preferences, price sensitivity and inertia through a shared latent factor structure. By factorizing individual-product coefficients, the model pools information across individuals and categories and allows for correlated heterogeneity. We estimate the model using Bayesian variational inference, enabling scalable estimation with tens of thousands of parameters. In a simulation study calibrated to realistic retail data, we show that the dynamic factor model substantially improves predictive performance relative to static factor models and mixed logit benchmarks, particularly when individual purchase histories are sparse. Accounting for inertia also leads to more elastic demand estimates, underscoring the importance of dynamics for measuring consumer responsiveness. Our results highlight dynamic factor models as a scalable and flexible approach for demand estimation in modern, high-dimensional retail markets.