Approximating Choice Data by Discrete Choice Models
用离散选择模型逼近选择数据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：摘要明确研究随机效用、随机系数与混合 Logit 模型的离散选择逼近能力。
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
用离散选择模型逼近选择数据
- 研究问题
- 混合 Logit 等随机系数离散选择模型，何时能在不同选择集合上任意精确地逼近非参数随机效用模型，何时存在限制？
- 方法与思路
- 作者研究特征向量集合的仿射独立性，给出任意精度逼近的充要条件，并分析难以逼近的偏好和替代模式及其误差算法。
- 材料陈述的贡献
- 摘要称，仿射独立性是所述逼近能力的充要条件；条件失败时可识别难以准确表示的偏好与替代关系，并量化逼近误差。
- 阅读关注点
- 应核对跨选择集合的逼近标准、特征向量与仿射独立性的定义，以及误差量化算法的输入、计算要求和理论保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验。摘要未说明逼近度量、全部模型条件及算法细节，表达能力也不直接保证估计表现。
原文摘要
We obtain a necessary and sufficient condition under which random-coefficient discrete choice models, such as mixed-logit models, are rich enough to approximate any nonparametric random utility models arbitrarily well across choice sets. The condition turns out to be the affine-independence of the set of characteristic vectors. When the condition fails, resulting in some random utility models that cannot be closely approximated, we identify preferences and substitution patterns that are challenging to approximate accurately. We also propose algorithms to quantify the magnitude of approximation errors.