Efficient Estimation of Nested Logit models
嵌套 Logit 模型的有效估计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。
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：摘要直接比较通勤出行时段选择的嵌套 Logit 估计方法，研究对象是离散选择模型，因此归入离散选择。
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
嵌套 Logit 模型的有效估计
- 研究问题
- 针对通勤出行时段选择的嵌套 Logit 模型，序贯估计、完全信息最大似然和线性化最大似然在效率与计算上有何差异？
- 方法与思路
- 作者基于既有通勤选择研究的设定和数据进行蒙特卡洛比较，考察序贯估计、完全信息最大似然（FIML）及线性化最大似然（LML）。
- 材料陈述的贡献
- 摘要称，序贯估计效率明显较低，未修正的第二阶段标准误严重偏低；LML 效率仅略逊于 FIML，且往往更容易计算。
- 阅读关注点
- 重点核对模拟设定、效率度量和第二阶段标准误修正，并查明序贯估计与 LML 不存在而 FIML 仍表现良好的条件。
- 阅读边界
- 摘要中的效率与计算便利性判断来自特定通勤选择模型的模拟；未说明估计不存在的机制、样本规模及对其他嵌套结构的适用性。
原文摘要
This article examines the sequential, full information maximum likelihood (FIML), and linearized maximum likelihood (LML) estimators for a nested logit model of time-of-day choice for work trips. These estimators are compared using a Monte Carlo study based on specification and data from a previously published empirical study. The sequential estimator is found to be much less efficient than LML or FIML, and its uncorrected second-stage standard-error estimates are strongly downward biased. LML is only slightly less efficient than FIML, but it is often easier to compute. There are cases in which the sequential and LML estimators do not exist, but FIML still performs well.