From dense grids to valid inference: Accounting for regularization bias in nonparametric random coefficient models
从密集网格到有效推断：非参数随机系数模型的正则化偏差处理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：摘要研究随机系数分布及需求弹性、支付意愿，并应用于出行方式选择需求。
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…
从密集网格到有效推断：非参数随机系数模型的正则化偏差处理
- 研究问题
- 以惩罚固定网格方法估计随机系数分布时，如何对平均支付意愿、平均弹性等泛函构造同时考虑正则化偏差的置信区间？
- 方法与思路
- 作者围绕惩罚伪真值处的泛函建立插件估计量渐近正态性，再构造考虑正则化偏差的区间，兼容线性及非线性泛函。
- 材料陈述的贡献
- 摘要称，该程序允许使用密集网格降低近似偏差并保持有效推断；模拟区间覆盖接近名义水平，出行需求应用显示规格差异。
- 阅读关注点
- 应核对伪真目标与真实泛函的差距、偏差处理方式、网格和惩罚参数的渐近条件，以及非线性泛函置信区间的构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未经核实；摘要未给出偏差界、网格增长条件或覆盖数值，无法判断任意调参下的有效性。
原文摘要
This paper develops an inference procedure for average functionals of random-coefficient distributions, such as mean willingness-to-pay and average elasticities, when the distribution is estimated nonparametrically using the penalized fixed-grid estimator of Heiss, Hetzenecker, and Osterhaus (2022). We establish asymptotic normality of the corresponding penalized plug-in estimator centered at the functional evaluated at the penalized pseudo-true value and propose a confidence interval that accounts for the regularization bias. Our method applies to a broad class of linear and nonlinear functionals and allows researchers to use dense grids to reduce approximation bias while maintaining valid inference. Monte Carlo simulations show that the proposed intervals achieve coverage close to the nominal level while remaining informative in finite samples. An empirical application to travel mode demand illustrates that flexible nonparametric specifications can yield economically meaningful differences relative to standard parametric models.