Nonparametric Analysis of Random Utility Models: Computational Tools for Statistical Testing
随机效用模型的非参数分析：统计检验的计算工具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：摘要明确讨论消费者随机效用模型及其非参数检验，因此归入选择模型方向；具体选择空间与数据形式摘要未说明。
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…
随机效用模型的非参数分析：统计检验的计算工具
- 研究问题
- 消费者随机效用模型的非参数检验具有吸引力，但实施时计算负担较重；如何提高求解效率，使该检验更便于经验应用？
- 方法与思路
- 作者针对具有线性不等式约束和二次目标函数的既有检验，开发列生成方法以降低计算负担；具体生成规则与停止条件摘要未说明。
- 材料陈述的贡献
- 摘要称，列生成工具在实际计算中带来可观效率提升，从而扩大既有随机效用检验的经验可用性；未给出具体性能数值。
- 阅读关注点
- 核对列生成如何构造和筛选所需列、何时停止，以及近似优化误差是否影响检验统计量、临界值计算与实际检验结论。
- 阅读边界
- 摘要未交代算法复杂度、提速幅度、适用样本规模或数值精度条件；其计算优势与统计有效性仍需结合全文的论证和实验核对。
原文摘要
Kitamura and Stoye (2018) recently proposed a nonparametric statistical test for random utility models of consumer behavior. The test is formulated in terms of linear inequality constraints and a quadratic objective function. While the nonparametric test is conceptually appealing, its practical implementation is computationally challenging. In this paper, we develop a column generation approach to operationalize the test. These novel computational tools generate considerable computational gains in practice, which substantially increases the empirical usefulness of Kitamura and Stoye's statistical test.