Estimating Discrete Choice Demand Models with Sparse Market-Product Shocks
稀疏市场—产品冲击下的离散选择需求模型估计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离散选择需求模型，并恢复偏好参数、弹性及反事实结果。
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
稀疏市场—产品冲击下的离散选择需求模型估计
- 研究问题
- 当可信工具变量稀缺、需求估计对工具选择敏感时，能否利用市场—产品冲击的稀疏性识别偏好与需求变化？
- 方法与思路
- 作者提出贝叶斯随机系数离散选择估计，以收缩先验选择活跃需求冲击，在稀疏约束下联合恢复偏好参数与冲击。
- 材料陈述的贡献
- 摘要称该方法无需工具变量，并建立稀疏性下的识别结果；模拟及超市扫描、汽车数据应用支持其估计与反事实分析。
- 阅读关注点
- 应核对稀疏性如何实现识别、先验如何选择活跃冲击，以及弹性与反事实的后验推断如何处理模型和选择不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明完整识别条件，不能据此判断其相对 BLP 的普遍优势。
原文摘要
When credible instruments are scarce or estimates hinge on instrument choice, an alternative to the leading Berry--Levinsohn--Pakes (BLP) approach to demand estimation with aggregate data can be useful. We propose a Bayesian random-coefficients discrete-choice demand estimator that jointly recovers preference parameters and market--product demand shocks under a sparsity restriction, without requiring instrumental variables. Shrinkage priors select a sparse set of active shocks, and the posterior supports inference on elasticities, forecasts, and other counterfactuals. Applications to supermarket scanner and automobile data find substantial sparsity and interpretable latent demand variation. We establish identification under sparsity and corroborate the approach with Monte Carlo experiments.