Conditional-Moment Estimation and Inference in the BLP Model
BLP 模型中的条件矩估计与推断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：摘要明确研究 BLP 随机系数需求模型的结构参数识别与估计，该需求模型直接对应结构估计和离散选择方向。
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…
BLP 模型中的条件矩估计与推断
- 研究问题
- BLP 随机系数需求模型由条件矩识别时，有限工具变量构造的无条件 GMM 为何可能引入额外参数解，怎样直接利用识别限制进行有效估计？
- 方法与思路
- 作者先非参数估计相关条件期望，再以条件方差加权的最小距离准则选择结构参数，并分别研究核方法和级数方法的一阶段实现。
- 材料陈述的贡献
- 摘要称构造了即使使用最优工具仍存在识别缺口的反例，建立两种实现共同的根 T 渐近正态分布与半参数效率结果，并报告模拟优势。
- 阅读关注点
- 应核对条件矩与无条件矩识别集合的差异、最优工具反例的设定、一阶段逼近条件，以及效率界和有限样本比较的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出识别、平滑及渐近条件，模拟优势的具体幅度与计算成本也未说明。
原文摘要
The random-coefficient demand model of Berry, Levinsohn, and Pakes (1995) is commonly estimated by the generalized method of moments (GMM), using an unconditional moment restriction with a fixed set of instruments. Identification of the model, however, rests on a conditional moment restriction. The two are not equivalent: the unconditional restriction may admit additional parameter values. We construct a counterexample in which the model is identified by the conditional restriction yet standard GMM is not, even with the optimal instrument. Building directly on the identifying restriction, we propose a two-step estimator, following Ai and Chen (2003), that first estimates the relevant conditional expectations nonparametrically and then selects the structural parameters by a conditional-variance-weighted minimum-distance criterion; standard GMM is recovered as the special case of a linear projection onto finitely many instruments. We establish root-T asymptotic normality for the proposed estimator, and we develop the theory for both kernel and series implementations of the first stage. The two implementations share a common limiting distribution, attaining the semiparametric efficiency bound. Simulation evidence illustrates the consequences of the identification gap and demonstrates that the proposed estimator outperforms standard GMM in finite samples.