Personalized Pricing with Invalid Instrumental Variables: Identification, Estimation, and Policy Learning
无效工具变量下的个性化定价：识别、估计与政策学习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：摘要明确使用工具变量处理价格内生性，并依赖收入和价格的结构模型识别及估计政策，因此对应因果推断与结构估计。
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
无效工具变量下的个性化定价：识别、估计与政策学习
- 研究问题
- 在价格内生且工具变量可能直接影响收入的情况下，如何利用离线数据识别并学习连续价格空间中的个性化最优定价策略？
- 方法与思路
- 作者依托收入与价格的结构模型建立识别条件，将问题转化为含广义残差的条件矩限制，再以对抗式极小极大估计学习策略。
- 材料陈述的贡献
- 摘要称，PRINT 允许工具变量对结果存在直接效应，建立最优定价识别条件与渐近遗憾界，并通过模拟及美国汽车贷款数据展示方法。
- 阅读关注点
- 应核对允许直接效应后由哪些结构限制维持识别、条件矩是否足够确定策略，以及极小极大优化和遗憾界所需条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未给出识别限制及遗憾界形式，不能推广到任意无效工具变量。
原文摘要
Pricing based on individual customer characteristics is widely used to maximize sellers' revenues. This work studies offline personalized pricing under endogeneity using an instrumental variable approach. Standard instrumental variable methods in causal inference/econometrics either focus on a discrete treatment space or require the exclusion restriction of instruments from having a direct effect on the outcome, which limits their applicability in personalized pricing. In this paper, we propose a new policy learning method for Personalized pRicing using Invalid iNsTrumental variables (PRINT) for continuous treatment that allow direct effects on the outcome. Specifically, relying on the structural models of revenue and price, we establish the identifiability condition of an optimal pricing strategy under endogeneity with the help of invalid instrumental variables. Based on this new identification, which leads to solving conditional moment restrictions with generalized residual functions, we construct an adversarial min-max estimator and learn an optimal pricing strategy. Furthermore, we establish an asymptotic regret bound to find an optimal pricing strategy. Finally, we demonstrate the effectiveness of the proposed method via extensive simulation studies as well as a real data application from an US online auto loan company.