Automatically Differentiable Random Coefficient Logistic Demand Estimation
可自动微分的随机系数 Logit 需求估计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：摘要直接研究随机系数 Logit 需求模型的矩条件、结构参数估计与计算实现。
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
可自动微分的随机系数 Logit 需求估计
- 研究问题
- 如何将随机系数 Logit 需求模型写成可自动微分的矩条件，使梯度优化及准贝叶斯估计可行，并比较不同估计与区间构造的表现？
- 方法与思路
- 作者将需求模型及数值保护措施整合为可微矩函数，开展连续更新估计量的频率学派与准贝叶斯估计，并与其他方法作蒙特卡洛比较。
- 材料陈述的贡献
- 摘要报告初步结果：连续更新估计的偏差较低但平均绝对误差较高；非线性参数可信区间结合线性参数解析标准误的覆盖最接近名义水平。
- 阅读关注点
- 应核对自动微分如何穿过需求求解与数值保护、各估计方法的调参和收敛，以及偏差、绝对误差与混合区间覆盖的具体实验设置。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要明确结果属初步发现，未给出数值和场景范围；配套软件的可复现性也未经核验。
原文摘要
We show how the random coefficient logistic demand (BLP) model can be phrased as an automatically differentiable moment function, including the incorporation of numerical safeguards proposed in the literature. This allows gradient-based frequentist and quasi-Bayesian estimation using the Continuously Updating Estimator (CUE). Drawing from the machine learning literature, we outline hitherto under-utilized best practices in both frequentist and Bayesian estimation techniques. Our Monte Carlo experiments compare the performance of CUE, 2S-GMM, and LTE estimation. Preliminary findings indicate that the CUE estimated using LTE and frequentist optimization has a lower bias but higher MAE compared to the traditional 2-Stage GMM (2S-GMM) approach. We also find that using credible intervals from MCMC sampling for the non-linear parameters together with frequentist analytical standard errors for the concentrated out linear parameters provides empirical coverage closest to the nominal level. The accompanying admest Python package provides a platform for replication and extensibility.