Semiparametric Bayesian Estimation of Dynamic Discrete Choice Models
动态离散选择模型的半参数贝叶斯估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究结构动态离散选择模型，并估计效用参数与冲击分布以支持反事实分析。
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
动态离散选择模型的半参数贝叶斯估计
- 研究问题
- 当效用冲击不服从标准极值分布时，如何保持动态离散选择模型的计算可行性，并改善效用参数与反事实分析的推断？
- 方法与思路
- 作者以位置尺度极值混合分布刻画加性效用冲击，允许混合成分数量变化，并采用哈密顿蒙特卡洛及近似最优可逆跳算法推断。
- 材料陈述的贡献
- 摘要称，方法在所考察模拟中应对了动态 logit 的误设问题，并给出混合逼近及集合识别效用参数、冲击分布的后验集中结果。
- 阅读关注点
- 应核对效用参数为何仅集合识别、混合分布的逼近距离、后验集中的具体条件，以及反事实结果如何反映识别与分布不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明定理条件、先验设置和模拟细节，不能推断所有误设情形下均可靠。
原文摘要
We propose a tractable semiparametric estimation method for structural dynamic discrete choice models. The distribution of additive utility shocks in the proposed framework is modeled by location-scale mixtures of extreme value distributions with varying numbers of mixture components. Our approach exploits the analytical tractability of extreme value distributions in the multinomial choice settings and the flexibility of the location-scale mixtures. We implement the Bayesian approach to inference using Hamiltonian Monte Carlo and an approximately optimal reversible jump algorithm. In our simulation experiments, we show that the standard dynamic logit model can deliver misleading results, especially about counterfactuals, when the shocks are not extreme value distributed. Our semiparametric approach delivers reliable inference in these settings. We develop theoretical results on approximations by location-scale mixtures in an appropriate distance and posterior concentration of the set identified utility parameters and the distribution of shocks in the model.