Satisficing, aggregation, and quasilinear utility
满意化行为、加总与拟线性效用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：摘要围绕拟线性效用、需求加总和满意化程度的模型限制及统计推断展开。
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
满意化行为、加总与拟线性效用
- 研究问题
- 个体仅满足于足够好的选择而非完全最优化时，拟线性效用模型如何近似描述总体需求，并衡量解释数据所需的偏离程度？
- 方法与思路
- 作者把满意化行为作为拟线性效用模型的近似误差来源，研究需求加总，并对解释总体数据所需的最低满意化程度开展推断。
- 材料陈述的贡献
- 摘要称给出近似加总定理与简便推断方法；扫描面板应用中，个体数据需要一定满意化程度，而总体数据可由拟线性代表性主体解释。
- 阅读关注点
- 应核对满意化程度的度量、近似加总的条件与误差界，以及个体和总体数据推断如何处理统计误差及模型限制。
- 阅读边界
- 解读限于所给 Crossref 摘要；摘要未说明定理条件、误差尺度或应用数值，总体数据符合模型不能直接证明个体完全最优化。
原文摘要
This paper studies approximation error in the quasilinear utility model. Error arises because individuals do not perfectly optimize, and instead satisfice. We investigate the consequences of individual satisficing for modeling aggregate demand, providing an approximate aggregation theorem. We present a simple method for statistical inference on the minimal level of satisficing needed to explain aggregate data. In an illustrative application to scanner panel data, we find that individual‐level data require a nontrivial degree of satisficing, but aggregate data admit a representative agent that maximizes a quasilinear utility function.