Semi-nonparametric estimation of random coefficients logit model for aggregate demand
总量需求随机系数 Logit 模型的半非参数估计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：摘要直接研究随机系数 Logit 需求模型及其参数、异质性分布估计，对应离散选择和结构估计方向。
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…
关注这篇论文的作者
总量需求随机系数 Logit 模型的半非参数估计
- 研究问题
- 在多产品的 BLP 类总量需求模型中，如何估计固定系数和随机系数分布，并避免需求反演带来的计算步骤？
- 方法与思路
- 作者提出两步估计：先用线性筛 GMM 估计固定系数，再用筛最小距离或 GMM 恢复随机系数的分布。
- 材料陈述的贡献
- 摘要称该方法无需计算需求反演，并给出大市场环境下的识别和渐近性质；模拟与实证示例用于展示其实用性。
- 阅读关注点
- 应核对识别条件、工具变量与筛空间选择、大市场渐近设定，以及两步估计误差如何进入最终推断和计算比较。
- 阅读边界
- 所给出版社摘要未列出识别假设、收敛速度或具体计算结果；避免需求反演不等于已证明全面优于既有估计方法。
原文摘要
In this paper, we propose a two-step semi-nonparametric estimator for the widely used random coefficients logit demand model. The approach applies to the same setup as Berry et al. (1995, BLP)-type of models with many products, but has the advantage of not requiring computing demand inversion. In particular, the first step of our approach estimates the fixed coefficients via a computationally very easy linear sieve generalized method of moments (GMM). The second step uncovers the distribution of the random coefficient via a sieve minimum distance or GMM procedure. We show identification and derive the asymptotic properties of the estimator in a large market environment. Monte Carlo simulations and empirical illustrations support the theoretical results and demonstrate the usefulness of our estimator in practice.