Approximate generalized extreme value models of discrete choice
离散选择的近似广义极值模型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：题名和摘要明确涉及多项 Logit、广义极值选择模型及其检验，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…
关注这篇论文的作者
离散选择的近似广义极值模型
- 研究问题
- 广义极值离散选择模型估计复杂且可能难以收敛时，能否利用简单的多项 Logit 程序完成模型检验与近似估计？
- 方法与思路
- 作者提出两步程序，利用多项 Logit 估计检验其相对于特定广义极值模型的原假设，并获得该备择模型的近似估计。
- 材料陈述的贡献
- 摘要称，基于 Logit 和三种广义极值模型生成的模拟，在若干重要方面显示该检验及近似估计具有较好的小样本性质。
- 阅读关注点
- 应核对两步程序的近似依据、检验统计量与备择模型范围，以及模拟比较所用指标、样本设计和最大似然收敛处理。
- 阅读边界
- 仅据所给机构库版本摘要；摘要未说明优势对应的具体指标和数值，不能声称普遍优于最大似然，也不能推断刊本变化。
原文摘要
Estimation of generalized extreme value (GEV) models of discrete choice is hampered by computational complexity and convergence problems. However, the much simpler estimation routine for multinomial logit can be applied in a two-step procedure so as to test the null hypothesis of multinomial logit against any particular GEV model as an alternative hypothesis. The procedure also produces an approximate estimate of the GEV model. Monte Carlo data, generated alternatively by logit and by three different GEV models, provide evidence that both the test statistics and the approximate estimator have small-sample properties superior in important respects to maximum-likelihood estimation of the GEV model.