There Is No Aggregation Bias: Why Macro Logit Models Work
不存在聚合偏误：聚合 Logit 模型为何有效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 Logit 与嵌套 Logit 模型在消费者异质性下的聚合性质，因此归入离散选择方向。
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
不存在聚合偏误：聚合 Logit 模型为何有效
- 研究问题
- 面对消费者异质性，微观层面的 Logit 或嵌套 Logit 模型如何聚合，直接拟合聚合模型在什么条件下具有理论依据？
- 方法与思路
- 作者结合解析推导与模拟，研究对消费者异质性分布积分所涉及的非线性聚合问题，并用实际面板数据校准异质性分布。
- 材料陈述的贡献
- 摘要认为，在消费者面对相同营销组合、品牌互为近似替代品且价格分布不集中于极端值时，拟合聚合 Logit 模型具有理论依据。
- 阅读关注点
- 应核对三项条件的形式化表述、异质性分布的校准方式，以及解析论证与模拟证据各自支持何种聚合结论和误差范围。
- 阅读边界
- 题名中的“无聚合偏误”需按摘要给出的条件理解；摘要未说明偏误度量、模拟设定及这些条件以外的适用性。
原文摘要
In this article, we examine the aggregation properties of (nested) logit models to understand their exceptional macro-level performance. The problem of aggregating micro logit models involves integrating nonlinear functions of model parameters over a distribution of consumer heterogeneity. The aggregation problem is analyzed using a mixture of analytic and simulation techniques, with the simulation experiments using actual panel data to calibrate the distribution of heterogeneity. We conclude that the practice of fitting aggregate logit models is theoretically justified under the following three conditions: (1) All consumers are exposed to the same marketing-mix variables, (2) the brands are close substitutes, and (3) the distribution of prices is not concentrated at an extreme value. These conditions are frequently met in store-level scanner data.