A RANK‐ORDERED LOGIT MODEL WITH UNOBSERVED HETEROGENEITY IN RANKING CAPABILITIES
考虑排序能力不可观测异质性的排序 Logit 模型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：摘要以备选项排序、偏好估计和排序 Logit 为核心，并处理受访者能力异质性，直接属于离散选择。
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
考虑排序能力不可观测异质性的排序 Logit 模型
- 研究问题
- 完整排序可以增加偏好信息，但当部分受访者缺乏排序能力时，如何避免使用全部排序造成偏差并保留有效信息？
- 方法与思路
- 作者提出内生刻画个体排序能力的排序 Logit 模型，将能力差异纳入偏好估计，以处理不同受访者排序可靠性。
- 材料陈述的贡献
- 摘要称，只要部分个体能够排序多个选项，该模型可提高偏好估计效率，并避免受访者排序能力不足引起的偏差。
- 阅读关注点
- 应核对排序能力的建模方式、能力与偏好的区分依据、识别条件，以及效率和偏差结论所依赖的比较基准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断能力模型设定和识别要求；所称无偏差不能脱离模型条件理解为普遍保证。
原文摘要
Abstract To study preferences, respondents to a survey are usually asked to select their most preferred option from a set. Preferences can be estimated more efficiently if respondents are asked to rank all alternatives. When some respondents are unable to perform the ranking task, using the complete ranking may lead to a substantial bias. We introduce a model which endogenously describes the ranking capabilities of individuals. Estimated preferences based on this model are more efficient when at least some individuals are able to rank more than one item, and they do not suffer from biases due to ranking inabilities of respondents. Copyright © 2010 John Wiley & Sons, Ltd.