Estimation of BLP models with high-dimensional controls
含高维控制变量的 BLP 模型估计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 差异化产品需求模型为对象，涉及结构需求参数与消费者产品选择。
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
含高维控制变量的 BLP 模型估计
- 研究问题
- 在产品特征数量可能超过市场观测数时，如何估计差异化产品需求模型中的价格系数与价格异质性，并控制高维干扰参数的影响？
- 方法与思路
- 作者为 BLP 模型构造 Neyman 正交估计量，用 Lasso 等方法估计干扰参数，并在近似稀疏条件下发展具体估计策略。
- 材料陈述的贡献
- 摘要称目标参数在干扰参数收敛较慢时仍可达到根号 T 渐近正态，并给出高维 BLP 的一般理论、稀疏化方案与蒙特卡洛评估。
- 阅读关注点
- 应核对需求参数的识别条件、正交矩构造、干扰参数所需收敛率，以及近似稀疏性和模拟表现如何随市场数及产品特征变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体识别条件和模拟数值，近似稀疏性也不能据此证实消费者有限理性。
原文摘要
This study proposes a framework for estimating demand in differentiated product markets with high dimensional product characteristics, building upon the seminal Berry, Levinsohn, and Pakes (1995) model, using market level data. We allow for a very large set of potential product characteristics, where the number of characteristics may exceed the number of market observations. Our contributions are twofold. First, we establish a general estimation theory for BLP models featuring high-dimensional nuisance parameters. We propose a Neyman orthogonal estimator specifically adapted to this framework, utilizing machine learning techniques, such as Lasso, to construct nuisance parameter estimators that are plugged into the Neyman orthogonal estimator. This approach offers a significant advantage: it achieves $\sqrt{T}$-asymptotic normality for parameters of interest--such as the price coefficient and price heterogeneity--even when nuisance parameters are estimated at slower rates due to their high dimensionality. Second, we apply this theory to a specialized BLP model under approximate sparsity, developing an estimation strategy for the high-dimensional nuisance parameters. The approximate sparsity condition posits that nuisance parameters can be controlled, up to a small approximation error, by a small and unknown subset of variables. In an economic context, this implies that while products have a vast array of characteristics, consumers focus on only a small subset of these due to bounded rationality. This condition makes the recovery of parameters of interest feasible by enabling nuisance parameter estimators to converge at the required rates. The practical performance of the method is evaluated through comprehensive Monte Carlo simulations, which demonstrate its efficacy in finite samples.