Jacobian-free Efficient Pseudo-Likelihood (EPL) Algorithm
无需显式雅可比矩阵的有效伪似然算法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：摘要明确以动态离散博弈结构估计为对象，并处理其均衡约束计算。
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
无需显式雅可比矩阵的有效伪似然算法
- 研究问题
- 动态离散博弈的有效伪似然估计需要处理均衡约束；如何减少雅可比矩阵推导与编码的负担，并保持计算可行性？
- 方法与思路
- 作者用数值导数计算雅可比与向量的乘积，再以 Krylov 方法求解线性方程，从而避免显式构造均衡约束雅可比。
- 材料陈述的贡献
- 摘要称，新程序简化既有有效伪似然算法的实现，并在数值实验中表现出良好的计算性能；未报告具体加速幅度。
- 阅读关注点
- 应核对数值微分步长、线性求解容差及其误差累积，以及近似计算是否保留原估计器的收敛与效率性质。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出新算法的误差保证、适用条件或性能数值。
原文摘要
This study proposes a simple procedure to compute Efficient Pseudo Likelihood (EPL) estimator proposed by Dearing and Blevins (2024) for estimating dynamic discrete games, without computing Jacobians of equilibrium constraints. EPL estimator is efficient, convergent, and computationally fast. However, the original algorithm requires deriving and coding the Jacobians, which are cumbersome and prone to coding mistakes especially when considering complicated models. The current study proposes to avoid the computation of Jacobians by combining the ideas of numerical derivatives (for computing Jacobian-vector products) and the Krylov method (for solving linear equations). It shows good computational performance of the proposed method by numerical experiments.