Nested Pseudo-GMM Estimation of Demand for Differentiated Products
差异化产品需求的嵌套伪 GMM 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：摘要以 BLP 差异化产品需求结构模型为对象，并利用消费者外部选项概率进行估计。
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
差异化产品需求的嵌套伪 GMM 估计
- 研究问题
- 差异化产品需求的 BLP 模型能否减少反复求解逆需求系统的计算成本，并在产品数量增加时改善 GMM 估计的计算扩展性？
- 方法与思路
- 作者交换 GMM 优化与不动点计算的顺序，固定消费者外部选项概率，使份额到平均效用的反演闭式且按产品可分，并使用解析梯度。
- 材料陈述的贡献
- 摘要提出嵌套伪 GMM 算法，称其适合并行实现，且模拟和应用中的速度优于所比较替代方法，计算收益随产品数量增长。
- 阅读关注点
- 应核对外部选项概率的更新、算法收敛与目标估计量的关系、解析梯度实现，以及速度比较的精度要求和硬件设置。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供收敛条件、计时数值或比较配置，速度陈述不能外推至所有实现。
原文摘要
We propose a fast algorithm for computing the GMM estimator in the BLP demand model (Berry, Levinsohn, and Pakes, 1995). Inspired by nested pseudo-likelihood methods for dynamic discrete choice models, our approach avoids repeatedly solving the inverse demand system by swapping the order of the GMM optimization and the fixed-point computation. We show that, by fixing consumer-level outside-option probabilities, BLP's market-share to mean-utility inversion becomes closed-form and, crucially, separable across products, yielding a nested pseudo-GMM algorithm with analytic gradients. The resulting estimator scales dramatically better with the number of products and is naturally suited for parallel and multithreaded implementation. In the inner loop, outside-option probabilities are treated as fixed objects while a pseudo-GMM criterion is minimized with respect to the structural parameters, substantially reducing computational cost. Monte Carlo simulations and an empirical application show that our method is significantly faster than the fastest existing alternatives, with efficiency gains that grow more than proportionally in the number of products.