Training Neural Networks Embedded in Dynamic Discrete Choice Models
动态离散选择模型中嵌入神经网络的训练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：摘要研究动态离散选择模型的效用参数估计与动态规划求解，直接涉及离散选择和结构估计。
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
动态离散选择模型中嵌入神经网络的训练
- 研究问题
- 无限期动态离散选择模型如何避免估计阶段求解大型线性方程组，同时允许用神经网络灵活表示效用函数？
- 方法与思路
- 作者利用 Bellman 方程的对偶表示，将效用参数与动态规划固定点分离，提出 UFXP 和 OUFXP 两种估计方法。
- 材料陈述的贡献
- 摘要称，预计算后的估计问题摆脱大型线性方程组，并建立两种估计量的一致性与渐近正态性，以及 OUFXP 的有效性。
- 阅读关注点
- 应核对对偶表示的适用条件、预计算成本、神经网络近似误差，以及一致性、渐近正态性和有效性的具体假设。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明状态空间限制、网络复杂度或实际计算收益。
原文摘要
We develop the first general-purpose estimator for infinite-horizon dynamic discrete choice models whose estimation problem, after pre-computation, is unencumbered by large systems of linear equations -- either imposed as constraints, or embedded in the objective function. Our unnested fixed point (UFXP) and optimal unnested fixed point (OUFXP) estimators exploit a dual representation of Bellman's equation to separate the utility parameters from the dynamic programming fixed point. We establish the consistency and asymptotic normality of UFXP and OUFXP, as well as the efficiency of the latter. Our estimators enable researchers to model utility functions non-parametrically via flexible neural-network approximations.