Imposing equilibrium restrictions in the estimation of dynamic discrete games
动态离散博弈估计中的均衡约束实施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：摘要直接研究动态离散博弈的均衡约束与结构估计算法，模型中的行为选择为离散形式。
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
动态离散博弈估计中的均衡约束实施
- 研究问题
- 在动态离散博弈中，如何实施均衡约束并可靠计算NPL估计量，同时避免迭代不收敛带来的样本选择问题？
- 方法与思路
- 作者分析接近NPL固定点稳定性阈值的生成过程，研究迭代的渐近性质，并提出无需近似雅可比矩阵的谱算法。
- 材料陈述的贡献
- 摘要称，NPL迭代不收敛会引入选择偏差；所提谱算法满足局部收敛，并以模拟和实证应用展示其性质。
- 阅读关注点
- 应核对稳定性阈值附近的渐近设定、选择偏差的形成机制，以及谱算法局部收敛所需条件和初始化敏感性。
- 阅读边界
- 仅据所给Crossref摘要，不能将局部收敛理解为全局保证，也无法判断均衡多重性、计算成本或实证改善幅度。
原文摘要
Imposing equilibrium restrictions provides substantial gains in the estimation of dynamic discrete games. Estimation algorithms imposing these restrictions have different merits and limitations. Algorithms that guarantee local convergence typically require the approximation of high‐dimensional Jacobians. Alternatively, the Nested Pseudo‐Likelihood (NPL) algorithm is a fixed‐point iterative procedure, which avoids the computation of these matrices, but—in games—may fail to converge to the consistent NPL estimator. In order to better capture the effect of iterating the NPL algorithm in finite samples, we study the asymptotic properties of this algorithm for data generating processes that are in a neighborhood of the NPL fixed‐point stability threshold. We find that there are always samples for which the algorithm fails to converge, and this introduces a selection bias. We also propose a spectral algorithm to compute the NPL estimator. This algorithm satisfies local convergence and avoids the approximation of Jacobian matrices. We present simulation evidence and an empirical application illustrating our theoretical results and the good properties of the spectral algorithm.