Demand Models With Random Partitions
具有随机分组的需求模型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：摘要直接研究消费者需求系统，并将产品或属性分组作为需求模型参数进行估计。
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
具有随机分组的需求模型
- 研究问题
- 需求模型通常预先固定产品或属性分组，如何把分组本身作为未知参数，并评估分组不确定性对需求分析和预测的影响？
- 方法与思路
- 作者提出贝叶斯推断方法，构造位置尺度分组分布，既作为先验，也用于生成随机游走 Metropolis–Hastings 提议。
- 材料陈述的贡献
- 摘要称，店铺层面的品类需求应用显示，允许分组不确定性有助于保持模型灵活性、改善需求预测并理解需求结构。
- 阅读关注点
- 应核对分组参数与需求参数的识别、先验设定、采样混合表现，以及预测改善的评价设计和模型复杂度控制。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；需求方程、识别条件与预测比较细节未说明，不能认定该方法普遍优于固定分组。
原文摘要
Many economic models of consumer demand require researchers to partition sets of products or attributes prior to the analysis. These models are common in applied problems when the product space is large or spans multiple categories. While the partition is traditionally fixed a priori, we let the partition be a model parameter and propose a Bayesian method for inference. The challenge is that demand systems are commonly multivariate models that are not conditionally conjugate with respect to partition indices, precluding the use of Gibbs sampling. We solve this problem by constructing a new location-scale partition distribution that can generate random-walk Metropolis–Hastings proposals and also serve as a prior. Our method is illustrated in the context of a store-level category demand model, where we find that allowing for partition uncertainty is important for preserving model flexibility, improving demand forecasts, and learning about the structure of demand. Supplementary materials for this article, including a standardized description of the materials available for reproducing the work, are available as an online supplement.