Solving dynamic discrete choice models using smoothing and sieve methods
利用平滑与筛方法求解动态离散选择模型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：摘要围绕动态离散选择模型及其 Bellman 价值函数的结构模型求解方法展开。
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…
利用平滑与筛方法求解动态离散选择模型
- 研究问题
- 在一般动态离散选择模型中，如何近似求解积分价值函数或期望价值函数，并处理蒙特卡洛 Bellman 算子的非光滑性？
- 方法与思路
- 作者采用重要性抽样近似 Bellman 算子，再结合平滑与筛方法求解；另将自逼近方法推广到同一框架以避免使用筛。
- 材料陈述的贡献
- 摘要称，两种近似解具有高斯过程极限，数值实验显示均表现良好，其中筛方法在计算速度和精度方面具有吸引力。
- 阅读关注点
- 应核对平滑偏差、筛逼近误差与模拟误差如何平衡，以及摘要所写 N-rate 的准确含义和两种方法的计算比较设计。
- 阅读边界
- 仅据所给出版社摘要，无法确定收敛率的准确表达、模型限制或实验改进幅度；求解算法表现也不直接说明参数估计性质。
原文摘要
We propose to combine smoothing, simulations and sieve approximations to solve for either the integrated or expected value function in a general class of dynamic discrete choice (DDC) models. We use importance sampling to approximate the Bellman operators defining the two functions. The random Bellman operators, and therefore also the corresponding solutions, are generally non-smooth which is undesirable. To circumvent this issue, we introduce smoothed versions of the random Bellman operators and solve for the corresponding smoothed value functions using sieve methods. We also show that one can avoid using sieves by generalizing and adapting the “self-approximating” method of Rust (1997b) to our setting. We provide an asymptotic theory for both approximate solution methods and show that they converge with N-rate, where N is number of Monte Carlo draws, towards Gaussian processes. We examine their performance in practice through a set of numerical experiments and find that both methods perform well with the sieve method being particularly attractive in terms of computational speed and accuracy.