Constructive identification in some nonseparable discrete choice models
若干非可分离散选择模型的构造性识别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：摘要直接研究离散选择模型的非参数效用导数识别，支持离散选择和结构模型识别方向。
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
若干非可分离散选择模型的构造性识别
- 研究问题
- 只观察集合外某一选项的选择概率时，能否识别集合内各选项的效用导数，尤其当效用与不可观测随机项非可分时？
- 方法与思路
- 作者提出恢复效用函数导数的构造性非参数方法，以不可观测项分布的可检验形状限制建立识别，并讨论可分情形。
- 材料陈述的贡献
- 摘要称给出可分与非可分离散选择模型的新识别结果，且在效用可分时构造性方法需要更少的假设。
- 阅读关注点
- 应核对单个外部选项概率包含哪些识别信息、形状限制如何检验，以及效用导数恢复范围与可分性减少假设的具体方式。
- 阅读边界
- 仅据所给出版社摘要，无法判断支持集和形状限制的详细内容；恢复效用导数不等于完整识别所有效用水平或随机项分布。
原文摘要
This paper introduces new results on the nonparametric identification of separable and nonseparable discrete choice models. It presents constructive methods for recovering the derivatives of the utility functions of the alternatives in a set, when these utility functions are nonparametric and nonseparable in unobservable random terms. When the utility functions are separable, the constructive methods require fewer assumptions. It is assumed that only the probability of choosing one alternative outside the set is observed. The conditions for identification involve testable shape restrictions on the distributions of the nonseparable unobservable random terms.