Scalable likelihood-based inference for limited dependent variable models
受限因变量模型中可扩展的似然推断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：摘要明确将方法用于品牌选择及大规模离散选择模型，因此归入离散选择；其他受限因变量应用不另行扩展分类。
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…
受限因变量模型中可扩展的似然推断
- 研究问题
- 当受限因变量模型的似然包含高维潜变量积分时，如何降低估计与推断的计算负担，并保留最大似然估计的统计性质？
- 方法与思路
- 作者提出 SEGA，利用 Fisher 恒等式，以单次潜变量条件抽样构造无偏增广数据得分，再执行随机梯度上升。
- 材料陈述的贡献
- 摘要称，迭代充分时 SEGA 与不可行的最大似然估计渐近等价，并提出基于 Fisher 与 Louis 恒等式的方差估计。
- 阅读关注点
- 应核对条件抽样如何实现、迭代次数与样本量的关系、渐近等价所需条件，以及方差估计如何处理算法随机性。
- 阅读边界
- 来源为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体正则条件、抽样成本及应用中的计算收益。 复核沿用经核验的旧摘要解读，未重新调用模型或阅读新版全文。
原文摘要
Limited dependent variable models are central to empirical economics, but likelihood-based inference is infeasible when likelihoods involve high-dimensional integration over latent variables. This paper proposes Stochastically Estimated Gradient Ascent (SEGA), a scalable estimation approach for limited dependent variable models. Using Fisher's identity, SEGA replaces the intractable likelihood score with an unbiased augmented data score evaluated at a single conditional draw of the latent variables, and embeds this score in a stochastic gradient ascent algorithm. With sufficiently many iterations, we show that SEGA is asymptotically equivalent to the infeasible maximum likelihood estimator. A variance estimator based on Fisher's and Louis' identities is proposed that allows inference to proceed in the usual manner. Applications to brand choice and household demand demonstrate the usefulness of SEGA for conducting inference in large-scale discrete choice and censored demand models.