Efficient and Envy-free Random Assignment Beyond Expected Utility
Technical University of Munich(慕尼黑工业大学)
本文扩展Hylland-Zeckhauser伪市场机制,证明在抽象连续凸偏好下弱有效且无嫉妒的随机分配存在,并针对SSB效用函数证明高效且近似无嫉妒的随机分配存在。
2026-06-15 econ.TH
Consumption Dependent Random Utility
本文研究含消费依赖的动态随机效用模型,通过公理化分析区分消费依赖与状态依赖,并提出可实证实施且计算更优的显示偏好检验。
2025-02-19 econ.TH
Random Discounting and Assessment of Intertemporal Projects: a Non-expected Utility Approach
本文基于秩依期望效用理论,结合事前凸组合与事后分布确定方法处理个体随机贴现因子异质性问题,发现小概率过度加权可显著加速社会贴现率下降,为跨期项目评估提供新视角。
2025-08-25 econ.TH
Frame-dependent Random Utility
本文探讨了框架对决策的影响,提出了一种新颖的选择函数和依赖框架的随机效用模型(FRUM),并通过显示偏好分析证明其具备简单直观的行为特征,即使在数据有限时也提供可测试条件,同时引入参数化模型提升易处理性。
2025-01-31 econ.TH
A Random Attention and Utility Model
我们将McFadden和Richter(1990)的有限选择集的随机显示偏好方法推广到有限考虑的设置。我们的方法是非参数的,需要部分选择集的变化。我们对Cattaneo等人(2020)首次提出的注意力施加了单调性条件,并对偏好的边际分布施加了稳定性条件。我们的框架经得起统计检验。这些新的限制扩展了众所周知的考虑异质偏好的参数模型。
2022-05-18 econ.TH
Intertemporal Aggregation of Choice Data with Consumption Dependent Preferences
本文研究重复随机选择中的消费依赖偏好,证明标准随机效用模型因此存在设定错误,并精确刻画其发生条件与偏差程度。
2025-09-30 econ.TH
Learning in Random Utility Models Via Online Decision Problems
本文提出基于梯度的学习算法,将随机效用模型嵌入在线决策框架,证明Hannan一致性并等价于FTRL,应用于近因偏差建模和博弈均衡刻画。
2025-06-19 econ.TH
Irrational Random Utility Models
该研究证明当偏好充分不相关时,RUM的总体选择也可由不最大化任何偏好的非理性决策者群体生成,刻画了此类非理性群体生成选择的一般类别,并讨论了其对RUM理性解释可证伪性、个体理性推断及福利判断的意义。
2025-05-28 econ.TH
Random Rank-Dependent Expected Utility
我们提出了一个新的随机秩相关的有限数据集和有限奖金的期望效用的特征。该测试适用于使用Kitamura和Stoye(2018)中的工具进行统计测试。
2021-12-27 econ.EM econ.TH
Modeling the Modeler: A Normative Theory of Experimental Design
本文研究分析师通过显示性偏好分析识别主体效用函数的问题,提出实验设计应遵循结构不变性、识别可分性与信息单调性三项规范原则,并通过表示定理证明其刻画了期望识别价值最大化,统一了多种实验设计理论。
2024-11-18 econ.TH
Random Utility Model with Endogenously Assigned Menus
University of Bath(巴斯大学)
研究随机效用模型在菜单内生性下的情况,提出新因果估计量,通过观察到的菜单和选择频率刻画其精确边界,还表明在多市场条件下相关因果估计量可唯一确定。
2026-07-10 econ.TH
Harmful Random Utility Models
University of Catania(卡塔尼亚大学)
本文研究了自我惩罚如何影响个体偏好,提出了一种能解释选择概率的有害随机效用模型,并给出了自我惩罚的识别条件和度量方法。
2026-07-21 econ.TH
Implicit Smooth Ambiguity: Perception, Attitude, and Identification
University of Southampton(南安普顿大学)
本文在有限状态Anscombe-Aumann框架中提出可识别的隐式平滑模糊模型,通过分离效用水平依赖为感知与态度两部分,并利用中性转移与补偿实验分别识别,实现行为分解。
2026-09-24 econ.TH
An Alternative Approach for Nonparametric Analysis of Random Utility Models
针对随机效用模型的非参数检验,提出一种通过面约束定义多面体锥的等价检验方法,降低计算负担,并发展新的公理化体系。
2025-01-24 econ.TH math.CO
The Limits of Identification in Discrete Choice
本文研究随机效用离散选择模型的识别极限,给出可识别偏好数量的紧界与更弱的充分条件,并证明经典 Latin Square 例子可由随机选择数据识别。
2024-12-02 econ.TH
Nonparametric Analysis of Random Utility Models Robust to Nontransitive Preferences
针对随机效用模型(RUM)依赖的偏好传递性假设常被违背的问题,提出保留单调性、容纳非传递行为的随机偏好模型(RPM),经英国家庭支出调查数据验证其更具解释力,并推广了经典随机显示偏好方法的适用场景。
2024-06-20 econ.TH
Dynamic Random Subjective Expected Utility
动态随机主观期望效用(DR-SEU)允许对从代理或代理群体观察到的选择数据进行建模,所述代理或代理群体的关于客观回报相关状态和品味的信念都可以随机地演变。与决策理论中以前的工作相反,我们的可观察的、增强的随机选择函数(aSCF)允许直接测试代理的信念是否反映真实的数据生成过程,条件是他们的私人信息以及识别可能不正确的信念。我们给出了一个公理化的表征时,代理满足的模型,无论是在一个静态的,以及在一个动态的设置。我们看看的情况下,当代理人有正确的信念,客观国家的演变,以及在案件时,她的信念是不正确的,但不可预见的意外是不可能的。我们还区分了两个子变量的动态模型相吻合的静态设置:不断发展的SEU,其中一个复杂的代理的效用根据贝尔曼方程和渐进学习,其中代理正在学习她的口味。我们证明了容易和自然的比较静态分析结果的程度上的信念不正确,以及对学习的速度有关的味道。在线附录中包含的辅助结果从技术和概念的角度扩展了以前在菜单选择和随机选择文献中的决策理论工作。
2018-08-01 econ.TH
Random Attention and Unobserved Reference Alternatives
Indian Statistical Institute, Delhi(印度统计学院德里)
本文提出两种随机注意力模型,探讨未观察到的参考替代品在菜单依赖性下的识别问题,揭示了参考替代品和潜在偏好的识别结果。
2025-12-22 econ.TH
A Distributionally Robust Random Utility Model
本文介绍了分布鲁棒随机效用模型(DRO-RUM),它允许偏好冲击(未观察到的异质性)分布被错误指定或未知。我们做了三个贡献,使用工具,从文献中的鲁棒优化。首先,通过利用分布稳健的社会盈余函数的概念,我们表明,DRO-RUM内生地产生一个冲击distributionthat包含了不同的替代品的效用之间的相关性。其次,我们证明了分布稳健的社会盈余的梯度产生的选择概率向量。这一结果将著名的William-Daly-Zachary定理推广到激波分布未知的环境中。第三,我们展示了如何DRO-RUM允许我们非参数化地识别与选择市场数据相关的平均效用向量。这一结果将需求反演方法扩展到冲击分布未知或错误指定的环境中。我们进行了几个数值实验比较性能的DRO-RUM与传统的多项式logit和probit模型。
2023-03-10 econ.TH math.OC
Learning in Random Utility Models Via Online Decision Problems
本文研究了重复随机选择情形下的随机效用模型(RUM),其中决策者不完全知道每个可供选择方案的收益。我们开发了一个基于梯度的学习算法,通过嵌入RUM到一个在线决策问题。我们发现,一大类RUM是汉南一致的(\citet{Hahn1957}),也就是说,RUM产生的预期收益之间的平均差异,并在事后最好的固定政策去为零的时期数量的增加。此外,我们表明,我们的基于梯度的算法是等价的跟随正则化的领导者(FTRL)算法,这是广泛用于机器学习文献中的重复随机选择问题的学习模型。因此,我们提供了一个经济接地优化框架的FTRL算法。最后,我们应用我们的框架来研究近因偏差,在正常形式的游戏,和预测市场中的无悔学习。
2022-08-13 cs.GT econ.TH
Identification in Stochastic Choice
Division of the Humanities and Social Sciences, Caltech(加州理工学院人文与社会科学学部);Department of Decision Sciences and IGIER, Bocconi University(博科尼大学决策科学系与IGIER)
本文研究了随机选择模型中识别集的特征化问题,通过简单交换变换确定观测等价性,并提供了识别集定义不等式和极点的完整描述,同时提出了一种新的全局反向结果用于识别性检验。
2026-02-23 econ.TH math.CO