Sequential algorithm for structural estimations with equilibrium constraints
带均衡约束的结构估计序贯算法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：摘要研究均衡约束下的结构估计，并以动态离散博弈和动态需求模型作为数值实例。
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
带均衡约束的结构估计序贯算法
- 研究问题
- 如何高效求解带均衡约束的结构模型估计，并利用零雅可比性质获得快速局部收敛和少量迭代后的统计效率？
- 方法与思路
- 作者分析 MLE 与 GMM 的序贯算法，提出无需显式计算均衡约束雅可比的序贯线性约束算法，并进行两个模型实验。
- 材料陈述的贡献
- 摘要称相关算法在大样本下接近二次局部收敛，有一致初值时一次迭代即可渐近有效；新算法适用范围更广并可快于 NFXP。
- 阅读关注点
- 应核对零雅可比性质及局部收敛邻域、一致初值的获得方式、一次迭代效率条件，以及不同算法比较时的精度标准。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收。摘要提供的是局部收敛陈述，未说明全局保证或普遍加速幅度。
原文摘要
This study examines sequential algorithms with the Zero Jacobian Property (ZJP) for estimating structural models subject to equilibrium constraints. For the Maximum Likelihood Estimation (MLE) and the Generalized Method of Moments (GMM), the current study shows that these algorithms attains fast (near-quadratic) local convergence in large samples to the solution of the constrained optimization problem. If consistent initial estimates of the parameters are available, the algorithms yield an asymptotically efficient estimator even after one iteration. It then proposes a novel algorithm called Sequential Linearly Constrained (SLC) algorithm, which is applicable to a broader class of structural models than existing methods. A key advantage of the SLC algorithm is that it can be implemented without explicitly computing the Jacobian of the equilibrium constraints and can be multiple times faster than the Nested Fixed Point (NFXP) approach. The current study illustrates its performance through two numerical experiments: a dynamic discrete game with time-varying unobserved heterogeneity and a dynamic demand model.