Semiparametric estimation of the random utility model with rank-ordered choice data
使用排序选择数据半参数估计随机效用模型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：摘要直接使用排序选择数据估计随机效用模型，并讨论随机系数和选项误差结构，属于离散选择与结构估计。
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
使用排序选择数据半参数估计随机效用模型
- 研究问题
- 如何利用部分或完整排序的选择数据估计随机效用模型，并容许个体间异方差、随机系数及选项特定的异方差与相关性？
- 方法与思路
- 作者提出广义最大得分估计量，并构造平滑版本；部分排序允许任意个体间异方差，完整排序进一步允许随机系数及选项误差相关。
- 材料陈述的贡献
- 摘要称，原估计量以 N 的负三分之一次方速率收敛且分布非标准；平滑版本渐近正态，其更快速率随光滑性要求增强而变化。
- 阅读关注点
- 应核对部分与完整排序下的识别限制、允许的系数和误差结构，以及平滑参数选择、光滑性阶数与收敛速率之间的关系。
- 阅读边界
- 仅据所列出版社摘要，效用规范化、具体识别和光滑性条件未说明；完整排序带来的灵活性及平滑加速均须在对应条件下理解。
原文摘要
We propose semiparametric methods for estimating random utility models using rank-ordered choice data. Our primary method is the generalized maximum score (GMS) estimator. With partially rank-ordered data, the GMS estimator allows for arbitrary forms of interpersonal heteroskedasticity. With fully rank-ordered data, the GMS estimator becomes considerably more flexible, allowing for random coefficients and alternative-specific heteroskedasticity and correlations. The GMS estimator has a non-standard asymptotic distribution and a convergence rate of N−1∕3. We proceed to construct its smoothed version which is asymptotically normal with a faster convergence rate of N−d∕(2d+1), where d≥2 increases in the strength of smoothness assumptions.