Identification With Additively Separable Heterogeneity
加法可分异质性下的识别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：摘要明确讨论离散选择等潜在效用模型，并识别商品吸引力与平均福利，因此归入离散选择和结构估计。
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
加法可分异质性下的识别
- 研究问题
- 在不可观测异质性以加法形式进入潜在效用模型时，能否仅凭平均需求识别解释变量对商品吸引力的影响及平均福利？
- 方法与思路
- 作者研究具有加法可分异质性的潜在效用模型，在独立性假设下建立代表性消费者表示，并据此推导非参数识别结果。
- 材料陈述的贡献
- 摘要称结果适用于离散选择、商品组合、不确定性决策与匹配模型，并可识别平均间接效用，无需指定或识别异质性分布。
- 阅读关注点
- 应核对独立性假设的具体对象、平均需求提供的识别信息，以及不同应用模型所需的条件和平均间接效用的归一化方式。
- 阅读边界
- 摘要未说明独立性假设的具体形式、支持集条件及福利识别的归一化；不能据此推断任意潜在效用模型均可识别。
原文摘要
This paper provides nonparametric identification results for a class of latent utility models with additively separable unobservable heterogeneity. These results apply to existing models of discrete choice, bundles, decisions under uncertainty, and matching. Under an independence assumption, such models admit a representative agent. As a result, we can identify how regressors alter the desirability of goods using only average demands. Moreover, average indirect utility (“welfare”) is identified without needing to specify or identify the distribution of unobservable heterogeneity.