Faster estimation of dynamic discrete choice models using index invertibility
利用指数可逆性加速动态离散选择模型估计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。
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：摘要直接研究动态离散选择模型的参数约束与结构模型估计加速，对应离散选择和结构估计。
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…
关注这篇论文的作者
利用指数可逆性加速动态离散选择模型估计
- 研究问题
- 对含持久不可观测异质性的动态离散选择模型，能否利用简约式参数的指数可逆性减少优化维度，同时保留渐近统计性质？
- 方法与思路
- 作者从一个或多个线性指数的可逆关系推导模型参数等式约束，再将约束用于缩减优化维度，并分析独立约束数量。
- 材料陈述的贡献
- 摘要称约束估计量与计算密集的无约束估计量渐近等价，并提供独立指数限制数量的理论结果及计算收益的模拟说明。
- 阅读关注点
- 应核对指数可逆性适用的模型范围、等式约束如何估计和施加，以及约束数量、数值稳定性与实际加速之间的关系。
- 阅读边界
- 仅依据所给出版社摘要；摘要未列出具体适用模型、加速数值或条件，渐近等价也不保证每种样本下表现相同。
原文摘要
Many estimators of dynamic discrete choice models with persistent unobserved heterogeneity have desirable statistical properties but are computationally intensive. In this paper we propose a method to quicken estimation for a broad class of dynamic discrete choice problems by exploiting semiparametric index restrictions. Specifically, we propose an estimator for models whose reduced form parameters are invertible functions of one or more linear indices (Ahn et al., 2018) , a property we term index invertibility. We establish that index invertibility implies a set of equality constraints on the model parameters. Our proposed estimator uses the equality constraints to decrease the dimension of the optimization problem, thereby generating computational gains. Our main result shows that the proposed estimator is asymptotically equivalent to the unconstrained, computationally heavy estimator. In addition, we provide a series of results on the number of independent index restrictions on the model parameters, providing theoretical guidance on the extent of computational gains. Finally, we demonstrate the advantages of our approach via Monte Carlo simulations.