Estimating Parameters of Structural Models Using Neural Networks
利用神经网络估计结构模型参数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：摘要明确估计结构计量模型参数，列举离散选择模型并应用于消费者搜寻。
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
利用神经网络估计结构模型参数
- 研究问题
- 能否通过结构模型生成的模拟数据训练神经网络，使其直接从样本矩识别参数及统计精度，并降低高成本模拟估计的负担？
- 方法与思路
- 作者在一组参数值下模拟数据集，以数据矩为网络输入、参数为训练目标，构造神经网络估计量，并应用于消费者搜寻模型。
- 材料陈述的贡献
- 摘要称，训练数据增多时该估计量趋向有限信息贝叶斯后验；消费者搜寻应用中精度与计算成本较优，且对冗余矩输入稳健。
- 阅读关注点
- 应核对训练参数的分布、输入矩的信息损失、统计精度输出的含义，以及后验极限与计算成本比较成立的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明训练规模、误差数值或稳健性边界，所附代码链接未被核验。
原文摘要
We study an alternative use of machine learning. We train neural nets to provide the parameter estimate of a given (structural) econometric model, for example, discrete choice or consumer search. Training examples consist of datasets generated by the econometric model under a range of parameter values. The neural net takes the moments of a dataset as input and tries to recognize the parameter value underlying that dataset. Besides the point estimate, the neural net can also output statistical accuracy. This neural net estimator (NNE) tends to limited-information Bayesian posterior as the number of training datasets increases. We apply NNE to a consumer search model. It gives more accurate estimates at lighter computational costs than the prevailing approach. NNE is also robust to redundant moment inputs. In general, NNE offers the most benefits in applications where other estimation approaches require very heavy simulation costs. We provide code at: https://nnehome.github.io.