Faster estimation of dynamic discrete choice models using index invertibility
利用指标可逆性加速动态离散选择模型估计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。
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：摘要明确研究含持续不可观测异质性的动态离散选择模型，并利用模型参数约束改进结构估计计算。
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
利用指标可逆性加速动态离散选择模型估计
- 研究问题
- 具有持续不可观测异质性的动态离散选择模型中，能否利用约化式的指标结构降低计算负担，同时保留原估计量的渐近性质？
- 方法与思路
- 作者利用约化式参数对一个或多个线性指标的可逆性，导出结构参数的等式约束，以减少优化维度并分析独立约束的数量。
- 材料陈述的贡献
- 摘要称，约束估计量与计算密集的无约束估计量渐近等价，理论还刻画可用指标限制的数量，并以蒙特卡洛模拟展示计算优势。
- 阅读关注点
- 应核对指标可逆性适用于哪些模型、等式约束如何获得与实施，以及约束估计误差、优化稳定性和有限样本计算收益。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收。摘要未列明渐近等价的完整条件，也未报告速度提升数值或所有适用模型。
原文摘要
Many estimators of dynamic discrete choice models with persistent unobserved heterogeneity have desirable statistical properties but are computationally intensive. In this paper we propose a method to quicken estimation for a broad class of dynamic discrete choice problems by exploiting semiparametric index restrictions. Specifically, we propose an estimator for models whose reduced form parameters are invertible functions of one or more linear indices (Ahn, Ichimura, Powell and Ruud 2018), a property we term index invertibility. We establish that index invertibility implies a set of equality constraints on the model parameters. Our proposed estimator uses the equality constraints to decrease the dimension of the optimization problem, thereby generating computational gains. Our main result shows that the proposed estimator is asymptotically equivalent to the unconstrained, computationally heavy estimator. In addition, we provide a series of results on the number of independent index restrictions on the model parameters, providing theoretical guidance on the extent of computational gains. Finally, we demonstrate the advantages of our approach via Monte Carlo simulations.