Estimation of Rational Inattention--Additive Random Utility Models
理性疏忽—加性随机效用模型的估计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：摘要以离散选择类的随机效用模型为对象，研究其参数估计与渐近性质，属于离散选择与结构估计方向。
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…
关注这篇论文的作者
理性疏忽—加性随机效用模型的估计
- 研究问题
- 摘要称，本文研究参数化理性疏忽—加性随机效用模型的似然估计问题，即如何对此类模型进行估计并刻画估计量的渐近性质。
- 方法与思路
- 作者提出基于似然的方法，建立精确极大似然估计量的一致性与渐近正态性，并给出模拟估计量具有相同渐近分布的条件；同时提出 Newton–BA 算法，将 Newton–Raphson 与 Blahut–Arimoto 以 KKT 条件引导方式混合。
- 材料陈述的贡献
- 摘要称，该算法可同时处理内点解与边界解，在保持数值精度的同时较直接 BA 显著提升计算效率；蒙特卡洛显示参数恢复随样本量改善，置信区间覆盖率总体接近名义 95%；在 ModeCanada 校准实验中，模型样本内拟合接近完全信息 logit，但更准确恢复偏好参数、选择概率与出行时间变化反应。
- 阅读关注点
- 阅读全文时应核对：一致性与渐近正态性所需的正则条件与识别假设；模拟估计量共享渐近分布的具体条件；Newton–BA 的收敛与精度论证；蒙特卡洛设计、样本量与覆盖率结果；ModeCanada 实验的校准方式及与基准模型比较的可比性。
- 阅读边界
- 仅凭摘要无法判断定理条件是否可验证、算法在一般情形下的收敛性、模拟与实证结果的稳健性，也无法确认期刊接收或同行评审状态；该文为 arXiv 预印本，不应据此声称已通过评审或发表。
原文摘要
This paper develops likelihood-based estimation for parametric rational inattention--additive random utility models. We establish consistency and asymptotic normality of the exact maximum likelihood estimator and provide conditions under which the simulated estimator shares its asymptotic distribution. To implement estimation, we develop Newton--BA, a KKT-guided hybrid of Newton--Raphson and Blahut--Arimoto (BA). The algorithm accommodates both interior and boundary solutions and substantially improves computational efficiency relative to direct BA while preserving numerical accuracy. Monte Carlo simulations show that parameter recovery improves with sample size and that confidence-interval coverage is generally close to the nominal $95$ percent level. Finally, we compare our model with no- and perfect-information logit benchmarks in an empirically calibrated ModeCanada experiment. Our model achieves similar in-sample likelihood fit to perfect-information logit but more accurately recovers key preference parameters, choice probabilities, and responses to travel-time changes.