Generalized indirect inference for discrete choice models
离散选择模型的广义间接推断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：摘要明确估计动态离散选择模型，并以潜在效用和模拟式间接推断构造方法，直接支持离散选择与结构估计分类。
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…
离散选择模型的广义间接推断
- 研究问题
- 研究动态离散选择模型中，间接推断目标函数呈阶梯状而不适合梯度优化时，如何构造可计算且保持统计性质的估计方法。
- 方法与思路
- 作者将潜在效用的平滑函数作为辅助模型因变量，使平滑参数趋零时恢复离散选择，并协调平滑程度与梯度优化。
- 材料陈述的贡献
- 摘要称，在给定平滑条件下估计量保持一致性及原间接推断的极限分布；辅助模型足够丰富时，模拟效率接近极大似然。
- 阅读关注点
- 应核对平滑参数随样本量变化的条件、辅助模型选择，以及滞后因变量、序列相关误差和不可观测变量的具体处理。
- 阅读边界
- 仅据所给出版社摘要，近似极大似然效率依赖辅助模型足够丰富；平滑选择规则、计算规模和模拟比较的具体条件未说明。
原文摘要
This paper develops and implements a practical simulation-based method for estimating dynamic discrete choice models. The method, which can accommodate lagged dependent variables, serially correlated errors, unobserved variables, and many alternatives, builds on the ideas of indirect inference. The main difficulty in implementing indirect inference in discrete choice models is that the objective surface is a step function, rendering gradient-based optimization methods useless. To overcome this obstacle, this paper shows how to smooth the objective surface. The key idea is to use a smoothed function of the latent utilities as the dependent variable in the auxiliary model. As the smoothing parameter goes to zero, this function delivers the discrete choice implied by the latent utilities, thereby guaranteeing consistency. We establish conditions on the smoothing such that our estimator enjoys the same limiting distribution as the indirect inference estimator, while at the same time ensuring that the smoothing facilitates the convergence of gradient-based optimization methods. A set of Monte Carlo experiments shows that the method is fast, robust, and nearly as efficient as maximum likelihood when the auxiliary model is sufficiently rich.