Scalable Bayesian Estimation in the Multinomial Probit Model
多项 Probit 模型中的可扩展贝叶斯估计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：摘要明确研究多项 Probit 选择模型、备选项相关性及消费者购买选择，文本直接支持归入离散选择。
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
多项 Probit 模型中的可扩展贝叶斯估计
- 研究问题
- 多项 Probit 模型如何在保留备选项相关性的同时扩展到大选择集，并解决潜在效用协方差因子结构的参数识别与估计问题？
- 方法与思路
- 作者为潜在效用协方差设置因子结构，通过重参数化施加协方差迹约束实现识别，并配置可解释先验与 MCMC 采样器。
- 材料陈述的贡献
- 摘要称，该方法相较已有 MNP 设定改善大选择集中的表现；购买数据应用强调纳入更多备选项对消费者选择分析的经济意义。
- 阅读关注点
- 阅读时应核对迹约束与因子重参数化的识别作用、先验设定和采样步骤，以及大选择集性能比较的指标及购买数据应用设计。
- 阅读边界
- 摘要未说明完整识别条件、采样收敛诊断和性能比较设置；所述改进限于作者报告的比较，不能据此判断所有选择场景中的效果。
原文摘要
The multinomial probit (MNP) model is a popular tool for analyzing choice behavior as it allows for correlation between choice alternatives. Because current model specifications employ a full covariance matrix of the latent utilities for the choice alternatives, they are not scalable to a large number of choice alternatives. This article proposes a factor structure on the covariance matrix, which makes the model scalable to large choice sets. The main challenge in estimating this structure is that the model parameters require identifying restrictions. We identify the parameters by a trace-restriction on the covariance matrix, which is imposed through a reparameterization of the factor structure. We specify interpretable prior distributions on the model parameters and develop an MCMC sampler for parameter estimation. The proposed approach significantly improves performance in large choice sets relative to existing MNP specifications. Applications to purchase data show the economic importance of including a large number of choice alternatives in consumer choice analysis.