Structural Sieves
结构筛：以深度网络近似经济优化模型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。
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：摘要直接讨论经济优化行为的半参数估计及生产、离散选择模型，因此对应结构估计与离散选择方向。
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
结构筛：以深度网络近似经济优化模型
- 研究问题
- 在生产或离散选择模型中，如何用灵活的回归函数刻画多阶段优化产生的复杂交互，同时保留潜在经济结构中的限制？
- 方法与思路
- 作者提出将适当的深度神经网络用作半参数估计的非参数筛，并通过灵活的潜变量模型表达形状、稀疏性或可分性限制。
- 材料陈述的贡献
- 摘要称，直接以潜变量模型近似未知回归函数，可以更直接地施加经济限制，并讨论了深度网络适合这类结构的原因。
- 阅读关注点
- 应核对网络结构与经济优化模型如何对应、限制如何落实，以及近似误差和估计性质；特别关注是否真正缓解维数问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明识别条件、收敛速度或实证表现，不能据此断言网络更优。
原文摘要
This paper explores the use of deep neural networks for semiparametric estimation of economic models of maximizing behavior in production or discrete choice. We argue that certain deep networks are particularly well suited as a nonparametric sieve to approximate regression functions that result from nonlinear latent variable models of continuous or discrete optimization. Multi-stage models of this type will typically generate rich interaction effects between regressors ("inputs") in the regression function so that there may be no plausible separability restrictions on the "reduced-form" mapping form inputs to outputs to alleviate the curse of dimensionality. Rather, economic shape, sparsity, or separability restrictions either at a global level or intermediate stages are usually stated in terms of the latent variable model. We show that restrictions of this kind are imposed in a more straightforward manner if a sufficiently flexible version of the latent variable model is in fact used to approximate the unknown regression function.