Using penalized likelihood to select parameters in a random coefficients multinomial logit model
随机系数多项 Logit 模型中的惩罚似然参数选择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：摘要直接估计随机系数多项 Logit 离散选择模型，并对系数分布参数进行选择。
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
随机系数多项 Logit 模型中的惩罚似然参数选择
- 研究问题
- 在随机系数分布由有限个参数刻画的多项 Logit 模型中，如何识别零参数与非零参数，并改善参数及其函数的估计误差？
- 方法与思路
- 作者使用带自适应 LASSO 惩罚的最大似然估计，研究参数选择与渐近均方误差的条件，说明计算方法并进行模拟和品牌选择应用。
- 材料陈述的贡献
- 摘要称在相应条件下参数选择正确概率趋于一，且可降低参数连续可微函数的渐近均方误差，并展示英国黄油和人造黄油选择应用。
- 阅读关注点
- 应核对系数分布参数化、惩罚强度与初始权重的选择，以及零参数对应的模型限制、误差改善条件和估计计算的稳定性。
- 阅读边界
- 仅据所给出版社摘要，选择一致性与误差改善的具体条件未说明；不能认定所有分布参数化、惩罚选择或有限样本情形都受益。
原文摘要
This paper is about estimating a random coefficients logit model in which the distribution of each coefficient is characterized by finitely many parameters, some of which may be zero. The paper gives conditions under which, with probability approaching 1 as the sample size increases, penalized maximum likelihood (PML) estimation with the adaptive LASSO (AL) penalty distinguishes correctly between zero and non-zero parameters. The paper also gives conditions under which PML reduces the asymptotic mean-square estimation error of any continuously differentiable function of the model’s parameters. The paper describes a method for computing PML estimates and presents the results of Monte Carlo experiments that illustrate their performance. It also presents the results of PML estimation of a random coefficients logit model of choice among brands of butter and margarine in the British groceries market.