MM Algorithm for General Mixed Multinomial Logit Models
一般混合多项 Logit 模型的 MM 算法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：题名与摘要都明确以混合多项 Logit 模型的估计算法为研究对象，该模型直接对应离散选择领域的方法问题。
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
一般混合多项 Logit 模型的 MM 算法
- 研究问题
- 如何为一般混合多项 Logit 模型设计容易实现、单次迭代成本低的估计算法，并兼顾统计性质与数值收敛？
- 方法与思路
- 作者采用下界构造与最大化交替进行的 MM 算法估计混合 Logit，并称这一方案只需少量编码，可用于多种模型设定。
- 材料陈述的贡献
- 摘要称，新算法相较现有方法具有更低的单次迭代成本和显著计算节省，并具有渐近一致性、有效性及全局收敛性质。
- 阅读关注点
- 核对下界构造、混合分布与积分的处理、收敛概念及证明条件，并区分单次迭代成本和达到同等精度的总耗时。
- 阅读边界
- 摘要未说明统计性质及全局收敛的成立条件，也未报告具体耗时；不能将全局收敛直接理解为保证找到全局最优解。
原文摘要
This paper develops a new technique for estimating mixed logit models with a simple minorization–maximization (MM) algorithm. The algorithm requires minimal coding and is easy to implement for a variety of mixed logit models. Most importantly, the algorithm has a very low cost per iteration relative to current methods, producing substantial computational savings. In addition, the method is asymptotically consistent, efficient and globally convergent. Copyright © 2016 John Wiley & Sons, Ltd.