Nonparametric estimation of the random coefficients model: An elastic net approach
随机系数模型的非参数估计：弹性网方法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。
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：摘要研究随机系数模型的异质参数分布估计，并以出行方式数据展示方法，与结构估计及选择模型相关。
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…
随机系数模型的非参数估计：弹性网方法
- 研究问题
- 如何改进非参数随机系数估计的稀疏性与支持恢复，使其更准确地刻画系数分布，同时保持模型拟合能力？
- 方法与思路
- 作者将原有估计量解释为非负 LASSO 的特例，再扩展为非负弹性网，结合理论、蒙特卡洛与出行方式数据分析。
- 材料陈述的贡献
- 摘要称扩展方法的模型拟合至少不差于原方法，并在一定条件下改善真实支持恢复与随机系数分布近似。
- 阅读关注点
- 应核对分布识别与离散支持设定、惩罚参数选择，以及拟合不劣和分布近似改进分别依赖哪些条件。
- 阅读边界
- 仅依据所给 OpenAlex 摘要版本；理论条件和比较幅度未说明，拟合不劣也不能直接推出样本外表现更好。
原文摘要
This paper investigates and extends the computationally attractive nonparametric random coefficients estimator of Fox et al. (2011). We show that their estimator is a special case of the nonnegative LASSO, explaining its sparse nature observed in many applications. Recognizing this link, we extend the estimator, transforming it into a special case of the nonnegative elastic net. The extension improves the estimator’s recovery of the true support and allows for more accurate estimates of the random coefficients’ distribution. Our estimator is a generalization of the original estimator and therefore, is guaranteed to have a model fit at least as good as the original one. A theoretical analysis of both estimators’ properties shows that, under conditions, our generalized estimator approximates the true distribution more accurately. Two Monte Carlo experiments and an application to a travel mode data set illustrate the improved performance of the generalized estimator.