BLP estimation using Laplace transformation and overlapping simulation draws
利用拉普拉斯方法与重叠模拟抽样估计 BLP 模型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：摘要研究 BLP 结构离散选择模型的参数估计、模拟误差与推断。
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…
利用拉普拉斯方法与重叠模拟抽样估计 BLP 模型
- 研究问题
- 多市场 BLP 模型在市场间使用重叠模拟抽样时，如何计入模拟噪声进行参数推断，并在模拟次数远少于市场数时保持有效性？
- 方法与思路
- 作者推导模拟次数与市场数共同增大时的渐近分布，构造一致方差估计，并用 Hamiltonian MCMC 实施与 GMM 渐近等价的拉普拉斯型估计。
- 材料陈述的贡献
- 摘要称，理论不要求模拟次数和市场数具有特定相对增长速度，可容许前者远小于后者，并提供渐近有效置信区间的方差估计。
- 阅读关注点
- 应核对重叠抽样的具体结构、由两类样本规模控制的收敛记号，以及模拟噪声的方差分解和拉普拉斯型估计的渐近等价条件。
- 阅读边界
- 仅据所给出版社摘要，无法确定准确收敛尺度、抽样依赖条件或 MCMC 的有限运行误差；渐近等价不保证实际计算表现相同。
原文摘要
We derive the asymptotic distribution of the parameters of the Berry et al. (1995) (BLP) model in a many markets setting which takes into account simulation noise under the assumption of overlapping simulation draws. We show that as long as the number of simulation draws R and the number of markets T approach infinity, our estimator is m=min(R,T) consistent and asymptotically normal. We do not impose any relationship between the rates at which R and T go to infinity, thus allowing for the case of R≪T. We provide a consistent estimate of the asymptotic variance which can be used to form asymptotically valid confidence intervals. Instead of directly minimizing the BLP GMM objective function, we propose using Hamiltonian Markov Chain Monte Carlo methods to implement a Laplace-type estimator which is asymptotically equivalent to the GMM estimator.