Search With Dirichlet Priors: Estimation and Implications for Consumer Demand
Dirichlet 先验下的搜寻：估计与消费者需求含义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：摘要以搜寻行为模型推导购买概率并用于离散选择估计，同时估计消费者搜寻成本，直接涉及离散选择与结构估计。
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
Dirichlet 先验下的搜寻：估计与消费者需求含义
- 研究问题
- 当消费者不了解搜寻对象的分布并在搜寻中学习时，其最优搜寻如何形成购买概率与价格弹性，先验不确定性又如何影响搜寻成本估计？
- 方法与思路
- 作者在未知分布的搜寻模型中设定 Dirichlet 先验，刻画最优行为并推导可计算的事前购买概率，再用标普 500 共同基金价格和份额估计模型。
- 材料陈述的贡献
- 摘要称，购买概率公式支持离散选择估计；固定搜寻成本时，已知分布模型预测更大价格弹性，实证中忽略先验不确定性会使成本估计明显偏误。
- 阅读关注点
- 重点核对先验如何随搜寻结果更新、购买概率的计算与识别条件，以及共同基金应用中价格弹性和搜寻成本对分布假设的敏感性。
- 阅读边界
- 摘要未说明消费者可观察的信息、模型参数的识别条件和偏误数值；应用结论依赖具体模型与共同基金数据，不能直接推广到所有消费市场。
原文摘要
This article is an empirical application of the search model with an unknown distribution, as introduced by Rothschild in 1974. For searchers who hold Dirichlet priors, we develop a novel characterization of optimal search behavior. Our solution delivers easily computable formulas for the ex-ante purchase probabilities as outcomes of search, as required by discrete-choice-based estimation. Using our method, we investigate the consequences of consumer learning on the properties of search-generated demand. Holding search costs constant, the search model from a known distribution predicts larger price elasticities, mainly for the lower-priced products. We estimate a search model with Dirichlet priors, on a dataset of prices and market shares of S&P 500 mutual funds. We find that the assumption of no uncertainty in consumer priors leads to substantial biases in search cost estimates.