Reinforcement Learning Based Computationally Efficient Conditional Choice Simulation Estimation of Dynamic Discrete Choice Models
基于强化学习的高效动态离散选择模型条件选择模拟估计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。
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：摘要直接研究动态离散选择模型的收益函数估计，并强调结构解释及反事实政策分析，对应离散选择与结构估计。
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
基于强化学习的高效动态离散选择模型条件选择模拟估计
- 研究问题
- 在高维状态与行动空间中，如何降低动态离散选择模型的估计成本，同时保留结构模型用于解释行为和反事实政策分析的能力？
- 方法与思路
- 作者提出强化学习式两步条件选择模拟估计，将前向模拟与沿模拟路径更新价值函数联系起来，并据最优行为估计收益函数。
- 材料陈述的贡献
- 摘要称机器替换和消费者食品购买模型的蒙特卡洛实验展示了相对原有条件选择模拟的计算效率提升，同时保留结构模型的可解释性。
- 阅读关注点
- 应核对两步估计的具体构成、路径更新如何嵌入收益参数估计、近似误差与统计误差的关系，以及计算效率比较采用的基准。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供识别条件、算法收敛保证、运行时间或估计精度数值。
原文摘要
Dynamic discrete choice (DDC) models have found widespread application in marketing. However, estimating these becomes challenging in "big data" settings with high-dimensional state-action spaces. To address this challenge, this paper develops a Reinforcement Learning (RL)-based two-step ("computationally light") Conditional Choice Simulation (CCS) estimation approach that combines the scalability of machine learning with the transparency, explainability, and interpretability of structural models, which is particularly valuable for counterfactual policy analysis. The method is premised on three insights: (1) the CCS ("forward simulation") approach is a special case of RL algorithms, (2) starting from an initial state-action pair, CCS updates the corresponding value function only after each simulation path has terminated, whereas RL algorithms may update for all the state-action pairs visited along a simulated path, and (3) RL focuses on inferring an agent's optimal policy with known reward functions, whereas DDC models focus on estimating the reward functions presupposing optimal policies. The procedure's computational efficiency over CCS estimation is demonstrated using Monte Carlo simulations with a canonical machine replacement and a consumer food purchase model. Framing CCS estimation of DDC models as an RL problem increases their applicability and scalability to high-dimensional marketing problems while retaining both interpretability and tractability.