Identification and Estimation of Discrete Choice Models with Unobserved Choice Sets
不可观测选择集下离散选择模型的识别与估计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。
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：摘要明确以不可观测选择集下的离散选择、消费者偏好识别及估计为研究对象。
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
不可观测选择集下离散选择模型的识别与估计
- 研究问题
- 当消费者实际可选集合无法观测时，如何利用重复选择同时恢复选择集与偏好的联合分布，避免错误解释选择行为？
- 方法与思路
- 作者提出非参数框架，要求潜在选择集具有稀疏支持或重复选择次数足够多，并用混合整数规划恢复选择集的稀疏支持。
- 材料陈述的贡献
- 摘要称，方法能够从重复选择的横截面数据恢复联合分布；即食谷物应用显示，忽视选择集不可观测性会误估偏好。
- 阅读关注点
- 应核对重复选择之间所需的关系、稀疏性或重复次数条件，以及混合整数规划如何区分偏好差异与选择集限制。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；未列出完整识别条件、重复次数阈值和计算规模，不能认为稀疏支持本身已充分保证识别。
原文摘要
We propose a framework for nonparametric identification and estimation of discrete choice models with unobserved choice sets. We recover the joint distribution of choice sets and preferences from a cross-section of repeated choices. We assume that either the latent choice sets are sparse or that the number of repeated choices is sufficiently large. Sparsity requires the number of possible choice sets to be relatively small. It is satisfied, for instance, when the choice sets are nested or when they form a partition. Our estimation procedure is computationally fast and uses mixed-integer programming to recover the sparse support of choice sets. Analyzing the ready-to-eat cereal industry using a household scanner dataset, we find that ignoring the unobservability of choice sets can lead to incorrect estimates of preferences.