Flexible Covariance Structures for Categorical Dependent Variables Through Finite Mixtures of Generalized Extreme Value Models
分类因变量的灵活协方差结构：广义极值模型的有限混合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：题名涉及分类因变量，摘要列举多项 Logit、嵌套 Logit 和偏好树模型，并讨论效用最大化相容性，直接对应离散选择。
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
分类因变量的灵活协方差结构：广义极值模型的有限混合
- 研究问题
- 对分类因变量，如何通过有限混合广义极值模型构造更灵活的误差协方差结构，并判断模型是否与效用最大化相容？
- 方法与思路
- 作者组合有限个基础广义极值（GEV）模型，示例包括不同尺度的多项 Logit、与嵌套 Logit 的混合及不同偏好树模型。
- 材料陈述的贡献
- 摘要称这类 FinMix 模型可扩展函数形式与误差协方差结构，并便于判定效用最大化相容性，以支持经济评价中的模型适用性考察。
- 阅读关注点
- 阅读时应核对混合权重与尺度的约束、协方差结构的具体含义、参数识别条件，以及效用最大化相容性的判定方法。
- 阅读边界
- 所给摘要开头残缺，未说明估计方法、识别条件或实证结果；协方差灵活性与相容性的具体保证需要结合全文核对。
原文摘要
miks), is introduced. These arise from the combination of a finite number of core Generalized Extreme Value (GEV) models to achieve more flexible functional forms, particularly in terms of error covariance structures. Example members of the class include combinations of (1) Multinomial Logit (MNL) models with differing scales, (2) multinomial logit with nested MNL models, (3) tree extreme value models with differing preference trees, and so on. Compatibility of FinMix models with utility maximization is easily determined, which permits empirical investigation of the suitability of specific model forms for economic evaluation exercises.