Dynamic demand for differentiated products with fixed-effects unobserved heterogeneity
含固定效应不可观测异质性的差异化产品动态需求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：摘要明确研究消费者短面板中的动态离散选择需求，识别结构参数并处理个体固定效应，因此对应离散选择、结构估计与面板数据。
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
含固定效应不可观测异质性的差异化产品动态需求
- 研究问题
- 研究短消费者面板中，如何识别并估计包含前瞻行为、上次选择依赖和持续时间依赖的差异化产品动态离散选择需求模型。
- 方法与思路
- 作者允许异质性给定初始内生状态的条件分布不受限制，并运用充分统计量与条件极大似然控制固定效应及前瞻价值。
- 材料陈述的贡献
- 摘要称，在每户至少四次购买事件的设定下可识别全部结构参数；条件极大似然方法无需求解动态规划或计算预期现值。
- 阅读关注点
- 应核对四次购买事件之外的识别条件、充分统计量构造、状态变量支持，以及习惯、转换成本与持续时间机制如何区分。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未给出完整识别条件与估计性质，不能将四次购买事件视为无条件充分的识别保证。
原文摘要
This paper studies identification and estimation of a dynamic discrete choice model of demand for differentiated product using consumer-level panel data with few purchase events per consumer (i.e., short panel). Consumers are forward-looking and their preferences incorporate two sources of dynamics: last choice dependence due to habits and switching costs, and duration dependence due to inventory, depreciation, or learning. A key distinguishing feature of the model is that consumer unobserved heterogeneity has a Fixed Effects (FE) structure -- that is, its probability distribution conditional on the initial values of endogenous state variables is unrestricted. I apply and extend recent results to establish the identification of all the structural parameters as long as the dataset includes four or more purchase events per household. The parameters can be estimated using a sufficient statistic - conditional maximum likelihood (CML) method. An attractive feature of CML in this model is that the sufficient statistic controls for the forward-looking value of the consumer's decision problem such that the method does not require solving dynamic programming problems or calculating expected present values.