Bayesian analysis of random coefficient logit models using aggregate data
使用聚合数据的随机系数Logit模型贝叶斯分析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：摘要研究差异化产品需求中的随机系数Logit与聚合市场份额模型，直接涉及离散选择和结构需求估计。
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…
使用聚合数据的随机系数Logit模型贝叶斯分析
- 研究问题
- 如何利用差异化产品市场的聚合销售数据估计随机系数Logit需求模型，并在增加需求冲击分布假设后改善估计与计算效率？
- 方法与思路
- 作者对含共同需求冲击的聚合份额模型指定冲击分布，构造完整似然，并重参数化协方差矩阵以改善随机游走Metropolis采样。
- 材料陈述的贡献
- 摘要称，该贝叶斯方案在实际与模拟数据上具有实用性；抽样实验中，即使冲击分布误设，相对GMM估计仍表现良好。
- 阅读关注点
- 阅读全文时应核对共同冲击分布、价格内生性的处理与先验设定，协方差重参数化的计算作用，以及误设实验中的比较指标。
- 阅读边界
- 仅据所给出版社摘要，不能断言贝叶斯方法普遍优于GMM；摘要未说明先验、识别条件、分布误设范围或效率收益数值。
原文摘要
We present a Bayesian approach for analyzing aggregate level sales data in a market with differentiated products. We consider the aggregate share model proposed by Berry et al. [Berry, Steven, Levinsohn, James, Pakes, Ariel, 1995. Automobile prices in market equilibrium. Econometrica. 63 (4), 841-890], which introduces a common demand shock into an aggregated random coefficient logit model. A full likelihood approach is possible with a specification of the distribution of the common demand shock. We introduce a reparameterization of the covariance matrix to improve the performance of the random walk Metropolis for covariance parameters. We illustrate the usefulness of our approach with both actual and simulated data. Sampling experiments show that our approach performs well relative to the GMM estimator even in the presence of a mis-specified shock distribution. We view our approach as useful for those who are willing to trade off one additional distributional assumption for increased efficiency in estimation.