Modeling Parametric Evolution in a Random Utility Framework
随机效用框架中的参数演化建模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：摘要以个体层面的分类选择数据为对象，在随机效用模型中刻画参数动态，直接对应离散选择方向。
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…
随机效用框架中的参数演化建模
- 研究问题
- 个体分类选择随时间变化时，除了协变量与不可观测因素变化，直接允许随机效用模型的参数演化能否更充分刻画选择动态？
- 方法与思路
- 作者在随机效用框架中，用向量自回归过程直接建模参数的时间变化，并采用贝叶斯估计，以一种常见超市商品的选择数据演示。
- 材料陈述的贡献
- 摘要称该框架可改善预测、预测长期参数水平并校正潜在聚合偏差；超市商品选择应用为参数动态提供较强支持。
- 阅读关注点
- 应核对参数演化设定、动态参数与协变量及不可观测因素的区分方式、贝叶斯先验，以及预测改善与聚合偏差校正的比较依据。
- 阅读边界
- 摘要未说明具体商品、样本规模、先验或性能指标；预测改善及聚合偏差校正的适用条件需读全文确认，不能推广到所有选择场景。
原文摘要
Random utility models have become standard econometric tools, allowing parameter inference for individual-level categorical choice data. Such models typically presume that changes in observed choices over time can be attributed to changes in either covariates or unobservables. We study how choice dynamics can be captured more faithfully by also directly modeling temporal changes in parameters, using a vector autoregressive process and Bayesian estimation. This approach offers a number of advantages for theorists and practitioners, including improved forecasts, prediction of long-run parameter levels, and correction for potential aggregation biases. We illustrate the method using choices for a common supermarket good, where we find strong support for parameter dynamics.