Nested Pseudo Likelihood Estimation of Continuous-Time Dynamic Discrete Games
连续时间动态离散博弈的嵌套伪似然估计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：摘要明确研究动态离散选择和企业博弈，并估计竞争效应、进入成本等结构参数。
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
连续时间动态离散博弈的嵌套伪似然估计
- 研究问题
- 如何将离散时间的嵌套伪似然估计推广至连续时间动态离散选择与博弈，并处理连续观测或等间隔快照数据？
- 方法与思路
- 作者构造连续时间的序贯 NPL 估计器，研究一致性、渐近正态性和局部收敛，并以五家异质企业的进入退出博弈进行模拟。
- 材料陈述的贡献
- 摘要称，单主体模型具有保证局部收敛的零雅可比性质；模拟显示迭代可降低有限样本偏差，时间设定错误可能明显扭曲经济参数。
- 阅读关注点
- 应核对两种采样方式对应的似然构造、博弈模型的局部收敛条件，以及零雅可比性质为何仅对单主体模型明确成立。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未列出完整条件，较少收敛问题的结论来自所考察的模拟比较。
原文摘要
We introduce a sequential estimator for continuous time dynamic discrete choice models (single-agent models and games) by adapting the nested pseudo likelihood (NPL) estimator of Aguirregabiria and Mira (2002, 2007), developed for discrete time models with discrete time data, to the continuous time case with data sampled either discretely (i.e., uniformly-spaced snapshot data) or continuously. We establish conditions for consistency and asymptotic normality of the estimator, a local convergence condition, and, for single agent models, a zero Jacobian property assuring local convergence. We carry out a series of Monte Carlo experiments using an entry-exit game with five heterogeneous firms to confirm the large-sample properties and demonstrate finite-sample bias reduction via iteration. In our simulations we show that the convergence issues documented for the NPL estimator in discrete time models are less likely to affect comparable continuous-time models. We also show that there can be large bias in economically-relevant parameters, such as the competitive effect and entry cost, from estimating a misspecified discrete time model when in fact the data generating process is a continuous time model.