Dynamic Discrete-Continuous Choice Models: Identification and Conditional Choice Probability Estimation
动态离散与连续选择模型：识别与条件选择概率估计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：摘要直接研究动态离散与连续选择模型的识别、未观测异质性和模型原始参数估计。
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
动态离散与连续选择模型：识别与条件选择概率估计
- 研究问题
- 当个体同时作出动态离散和连续选择且存在未观测异质性时，如何识别模型，并降低估计复杂动态模型的计算负担？
- 方法与思路
- 作者根据构造性识别论证提出两步估计：先用 EM 算法和工具变量分位数回归恢复类型相关最优选择，再估计模型原始参数。
- 材料陈述的贡献
- 摘要称该框架具有非参数识别结果，并将条件选择概率估计思路扩展至同时离散与连续选择，以减少完整求解的计算负担。
- 阅读关注点
- 应核对非参数识别所需的工具变量、支持集和异质性条件，以及第一步误差如何进入第二步估计和计算量比较。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体识别条件、推断程序或计算节省幅度。
原文摘要
This paper develops a general framework for dynamic models in which individuals simultaneously make both discrete and continuous choices. The framework incorporates a wide range of unobserved heterogeneity. I show that such models are nonparametrically identified. Based on constructive identification arguments, I build a novel two-step estimation method in the lineage of Hotz and Miller (1993) and Arcidiacono and Miller (2011) but extended to simultaneous discrete-continuous choice. In the first step, I recover the (type-dependent) optimal choices with an expectation-maximization algorithm and instrumental variable quantile regression. In the second step, I estimate the primitives of the model taking the estimated optimal choices as given. The method is especially attractive for complex dynamic models because it significantly reduces the computational burden associated with their estimation compared to alternative full solution methods.