Uniformly Consistent Semi-nonparametric Demand Estimation with Micro-Data
基于微观数据的一致半非参数需求估计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：摘要明确使用微观选择数据估计差异化产品结构需求及消费者异质性。
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
基于微观数据的一致半非参数需求估计
- 研究问题
- 在市场截距数量随市场数增加时，如何利用消费者选择数据与价格工具变量，灵活估计异质性和价格函数并获得一致性？
- 方法与思路
- 作者提出剖面化筛最小距离估计，先利用市场内消费者协变量变动恢复异质性函数与截距，再通过价格工具变量分解截距。
- 材料陈述的贡献
- 摘要称，当市场数及最小市场内样本量共同增长时，剖面化步骤渐近可忽略，共同结构函数一致收敛，模拟支持该结果。
- 阅读关注点
- 应核对市场内变动和排除工具变量的识别要求、两类样本量与筛维度的增长限制，以及一致性如何支持反事实需求分析。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未经核实；摘要未说明工具变量强度、增长速率或误差界，不能据此判断具体样本的可靠性。
原文摘要
This paper develops a profiled sieve minimum-distance estimator for a semi-nonparametric differentiated-products demand model with micro-level choice data. Building on Berry and Haile (2024), the estimator uses within-market variation in consumer covariates to recover a flexible consumer-heterogeneity function and market-specific composite intercepts. Excluded price instruments then separate these intercepts into a flexible price-side function and structural demand shocks. The main statistical challenge is that the number of profiled market intercepts grows with the number of markets. I show that, when both the number of markets and the minimum within-market sample size grow, this profiling step is asymptotically negligible and the common structural functions are uniformly consistently estimated. Monte Carlo evidence supports the consistency result and illustrates the value of flexible price-side estimation for counterfactual demand analysis.