SAUSS: Stochastic Approximation with Unbiased Simulated Scores for Limited Dependent Variable Models
SAUSS：有限因变量模型的无偏模拟得分随机逼近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：摘要以多项选择和多项 Probit 为主要模型，讨论其模拟估计与计算推断，最直接属于离散选择方法。
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…
SAUSS：有限因变量模型的无偏模拟得分随机逼近
- 研究问题
- 多项选择模型在选项或观测很多时，如何降低全样本模拟似然优化成本，并避免固定单个观测模拟预算所带来的模拟偏差？
- 方法与思路
- 作者用条件无偏的小批量模拟得分进行平均随机逼近；多项 Probit 中以接受拒绝抽样获得精确条件样本，并构建推断方法。
- 材料陈述的贡献
- 摘要称，局部渐近理论纳入小批量及模拟变异，模拟和应用在不到模拟极大似然百分之一的计算时间内得到可比结果。
- 阅读关注点
- 核对条件得分无偏性、精确条件抽样的成本、局部收敛与平均迭代条件，以及随机缩放和代入推断如何计入两类随机误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未展开局部条件或比较设置，所述计算节省不能直接推广至所有模型和接受率。
原文摘要
Multinomial choice models allow flexible substitution patterns but become computationally demanding with many alternatives or observations. With a fixed per-observation simulation budget, simulated maximum likelihood introduces simulation bias, while each optimization step requires a full-sample likelihood evaluation. We propose Stochastic Approximation with Unbiased Simulated Scores (SAUSS), an averaged stochastic approximation based on conditionally unbiased mini-batch score estimates. Each iteration uses a fixed mini-batch regardless of sample size. For multinomial probit, accept-reject sampling provides exact conditional draws and unbiased score estimates for any fixed number of accepted draws. Under local conditions, asymptotic theory for the averaged estimator and the partial-sum process of the SAUSS iterates incorporates mini-batch and simulation variability and supports random-scaling and plug-in inference. In simulations and an application, SAUSS gives comparable results in less than 1% of the computation time of simulated maximum likelihood. SAUSS extends to limited dependent variable models with conditional-expectation score representations and exact conditional sampling.