An MPEC Estimator for the Sequential Search Model
序贯搜寻模型的 MPEC 估计器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：摘要针对序贯搜寻模型开展含均衡约束的最大似然参数估计，明确属于经济行为模型的结构估计方法。
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
序贯搜寻模型的 MPEC 估计器
- 研究问题
- 如何在序贯搜寻模型的最大似然估计中直接处理均衡约束，减少临时查找表和均衡计算误差，并评估不同样本规模下的表现？
- 方法与思路
- 作者将序贯搜寻模型估计写成带均衡约束的数学规划问题，以受约束最大似然求解参数，并通过解均衡条件生成所需查找表。
- 材料陈述的贡献
- 摘要称，该方法改善数值准确性并减少临时构件；模拟中小样本偏差和均方根误差较低，但大样本表现较弱，仍能得到可比候选参数。
- 阅读关注点
- 应核对搜寻模型的识别与均衡条件、约束实现和求解容差、查找表生成方式，以及小样本改善与大样本较弱表现的比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出识别假设、计算成本或具体误差，且其模拟结果不支持所有样本规模下占优。
原文摘要
This paper proposes a constrained maximum likelihood estimator for sequential search models, using the MPEC (Mathematical Programming with Equilibrium Constraints) approach. This method enhances numerical accuracy while avoiding ad hoc components and errors related to equilibrium conditions. Monte Carlo simulations show that the estimator performs better in small samples, with lower bias and root-mean-squared error, though less effectively in large samples. Despite these mixed results, the MPEC approach remains valuable for identifying candidate parameters comparable to the benchmark, without relying on ad hoc look-up tables, as it generates the table through solved equilibrium constraints.