A Stochastic Nested Fixed Point Algorithm for Large-Scale BLP Estimation
大规模BLP估计的随机嵌套不动点算法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：摘要明确涉及随机系数logit需求模型（离散选择）与嵌套不动点结构估计方法，故归入离散选择与结构估计。
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…
大规模BLP估计的随机嵌套不动点算法
- 研究问题
- 摘要称，研究问题是如何在市场规模数极大时，降低随机系数logit需求模型估计的内存与计算成本，并保持统计精度。
- 方法与思路
- 作者提出随机嵌套不动点（SNFP）估计量：用随机梯度更新模型参数，并逐市场进行需求反演；同时刻画跨市场共享一组模拟抽样带来的影响并给出修正方法。
- 材料陈述的贡献
- 摘要称，SNFP相对传统NFP大幅降低内存与计算成本，使超大数据集估计可行；作者建立大T（市场数）渐近性质，蒙特卡洛显示精度与NFP相当，基准中单次在线遍历约5.5小时估计1亿市场模型，并用扫描数据做实证。
- 阅读关注点
- 应核对：大T渐近所需的正则条件、共享模拟抽样偏差的修正是否无偏或渐近可忽略、随机梯度步长与收敛保证、与NFP精度比较的模拟设计，以及1亿市场与5.5小时的具体硬件和实现细节。
- 阅读边界
- 仅凭摘要无法判断定理条件是否现实、修正是否有限样本有效、实证数据与识别策略是否可信；摘要未说明具体数据来源、软件实现与同行评审状态。
原文摘要
We develop a stochastic nested fixed point (SNFP) estimator for random coefficients logit demand models that updates model parameters using stochastic gradients and performs demand inversion one market at a time. Relative to the conventional nested fixed point (NFP) estimator, SNFP substantially reduces memory requirements and computational cost, making estimation feasible in very large datasets. We establish the large-$T$ (number of markets) asymptotic properties of the estimator under regularity conditions. We also characterize the effect of sharing one block of simulation draws across markets and show how to correct for it. Monte Carlo simulations show that the SNFP estimator achieves statistical accuracy comparable to the NFP estimator, and in our benchmark a single online pass estimates a model with 100 million markets in about 5.5 hours. An empirical application using scanner data further demonstrates the practical advantages of SNFP for large-scale demand estimation.