A step-by-step guide to design, implement, and analyze a discrete choice experiment
离散选择实验（Discrete Choice Experiment，DCE）在卫生经济学、环境评价等学科中有着广泛的应用。然而，目前缺乏资源披露进行区议会选举的整个程序。本文档旨在通过提供程序的全面指南，帮助任何希望使用DCE的力量来了解人们行为的人。本指南包含仅使用自由软件设计、实现和分析DCE所需的所有代码。
2020-09-23 econ.EM
Discrete Choice and Competitive Reactions: End-to-End Simulation with the R Package cash
Clausthal University of Technology（克劳斯塔尔工业大学）；bms marketing research + strategy（bms 市场营销研究与战略）
提出R包cash，整合离散选择分析与博弈论竞争反应仿真，实现从偏好生成到纳什均衡计算的端到端流程，填补了现有软件在竞争动态模拟方面的空白。
2026-06-16 econ.EM
Rank-heterogeneous Preference Models for School Choice
针对学校选择中MNL假设排名过程一致的局限，本文提出情境依赖CDM和按排名分层正则化两种排名异质性建模方法，并基于SFUSD数据验证其预测与反事实分析价值。
2023-06-01 econ.EM stat.AP
Sensitivity Analysis for Dynamic Discrete Choice Models
本文针对动态离散选择模型中固定参数的问题，提出了局部和全局两种敏感性分析程序，以评估固定参数对目标参数的影响，并通过两个实证应用展示了其应用方法。
2024-08-29 econ.EM
Estimating High-Dimensional Discrete Choice Model of Differentiated Products with Random Coefficients
我们提出了一个估计程序的差异化产品的离散选择模型可能高维产品属性。在我们的模型中，高维属性可以是产品的间接效用的均值和方差的决定因素。在我们的模型中的关键限制是，高维属性的影响，间接效用的方差只有通过许多指标。在随机系数logit模型的框架下，我们给出了一个$l_1$正则化最小距离估计的误差率的界，并证明了去偏估计的渐近线性性。
2020-04-19 econ.EM
A model of discrete choice based on reinforcement learning under short-term memory
一个家庭的个人离散选择的模型构建由一个主题在强化学习过程中，其中该主题具有短，k-项记忆跨度的选择的统计平均。这些模型中的选择概率以非平凡、非线性的方式结合了初始学习偏差和通过学习获得的经验。这种模型的属性进行了讨论，特别是，它表明，概率偏离卢斯的选择公理，即使最初的偏见坚持它。此外，我们发现，后者的属性是恢复的记忆跨度变得很大。效用理论中的两个应用被认为是。首先，我们使用离散选择模型来产生简单彩票上的二元偏好关系。我们发现，偏好违反传递性和独立性公理的期望效用理论。此外，我们建立了框架上的偏好的依赖关系，风险规避的收益，风险寻求的损失。基于这些发现，我们提出了下一个参数模型的选择概率最大化原则的基础上，作为一个模型偏离期望效用原则。为了说明这种方法，我们将其应用于经典的保险需求问题。
2019-08-16 econ.EM
Efficient and Accessible Discrete Choice Experiments: The DCEtool Package for R
Department of Statistics and Modelling, Outcomes’10（统计与建模系，Outcomes'10）
本文介绍DCEtool包，该包提供图形界面，帮助用户构建、解码和分析高效离散选择实验设计，提升离散选择模型的估计效率。
2026-03-19 econ.EM
Estimating Discrete Choice Demand Models with Sparse Market-Product Shocks
Bank of Canada（加拿大银行）；University of Alberta（阿尔伯塔大学）
针对工具变量稀缺或依赖工具变量选择的离散选择需求估计问题，提出无需工具变量的贝叶斯随机系数估计器，经蒙特卡洛实验验证，在超市与汽车数据应用中表现出显著稀疏性与可解释性。
2026-08-03 econ.EM
Identifying Present-Biased Discount Functions in Dynamic Discrete Choice Models
本文研究动态离散选择模型中现时偏误贴现函数的识别，通过多项式方程组求解贴现因子，并指出排除限制难以捕捉偏好反转，导致估计困难。
2025-07-09 econ.EM
Approximation-Robust Inference in Dynamic Discrete Choice
动态离散选择模型中的估计和推理通常依赖于近似来降低动态规划的计算负担。不幸的是，近似的使用可能会在估计中产生很大的偏差，并导致无效的置信集。我们提出了一种方法，明确说明使用近似，因此是有效的，无论近似误差的集合估计和推断。我们展示了如何可以占近似在低计算成本的错误。我们的方法使研究人员能够评估由于使用近似的估计误差，从而更有效地管理偏差和计算方便之间的权衡。我们提供模拟证据来证明我们的方法的实用性。
2020-10-22 econ.EM
Solving Dynamic Discrete Choice Models: Integrated or Expected Value Function?
动态离散选择模型（DDCM）在结构估计文献中非常重要。由于结构误差实际上总是连续的和无界的，研究人员经常使用期望价值函数。求解期望价值函数的思想使求解更符合实际，估计更可行。然而，正如我们在本文中所展示的，与另一种替代方案相比，期望价值函数是不切实际的：综合（事前）价值函数。我们提供了简单的描述，前者的无效性，并与不同的基数的状态空间和决策数量的实际问题的基准。虽然这两种方法在理论上解决了相同的问题，但基准测试支持集成价值函数在实践中更受欢迎的说法。
2018-01-11 econ.EM
Leveraging Uniformization and Sparsity for Estimation and Computation of Continuous Time Dynamic Discrete Choice Games
本文针对连续时间动态离散选择博弈，提出基于均匀化与稀疏结构的Newton-Kantorovich方法，建立完整解析导数链以替代数值微分，显著提升估计精度与计算效率，并验证其可扩展至单主体动态离散选择与马尔可夫跳跃过程。
2025-11-07 econ.EM
Identifying Heterogeneous Decision Rules From Choices When Menus Are Unobserved
该研究在仅掌握总体选择数据和菜单分布有限信息的条件下，强化推广了偏好/决策规则分布的稳健识别结果，提出替代分析方法，且模型经重新阐释可应用于信念更新规则分布识别等场景。
2024-05-15 econ.EM econ.TH math.ST
Training Neural Networks Embedded in Dynamic Discrete Choice Models
Kellogg School of Management, Northwestern University（西北大学凯洛格管理学院）
本文提出了一种通用估计器，用于无限时间 horizon 动态离散选择模型，通过双重表示贝尔曼方程分离效用参数与动态规划固定点，实现一致性和渐近正态性。
2026-04-09 econ.EM
Machine Learning for Dynamic Discrete Choice
动态离散选择模型通常将状态向量离散化并限制其维数，以实现有效的推理。我提出了一种新的两阶段估计集确定的结构参数，将一个高维的状态空间到不完全竞争的动态模型。在第一阶段，我估计的状态变量的运动规律和均衡政策函数使用机器学习工具。在第二阶段，我把第一阶段的估计插入到一个矩不等式中，并求解结构参数。矩函数表示为两个分量的和，其中第一个分量表示平衡假设，第二个分量是使和不敏感的偏差校正项（即，正交）到第一级偏置。所提出的估计一致收敛于根N速率，我用它来构建置信区域。这里开发的结果可用于将高维状态空间纳入经典的动态离散选择模型，例如Rust（1987），Bajari et al.（2007）和Scott（2013）中考虑的模型。
2018-11-06 econ.EM
Temporal-Difference estimation of dynamic discrete choice models
本文研究了在动态离散选择模型中使用时间差分学习估计结构参数。我们的算法是基于条件选择概率的方法，但使用函数近似估计的伪似然函数中的各项。我们建议两种方法：第一-线性半梯度-提供近似的递归项使用基函数。第二个-近似值迭代-通过解决非参数估计问题来构建递归项的近似序列。我们的方法是快速的，并且自然地允许连续和/或高维状态空间。此外，它们不需要指定跃迁密度。在动态博弈中，他们避免了对其他参与者的行动进行整合，进一步提高了计算优势。我们的建议可以与流行的现有方法，如伪极大似然法配对，我们提出了对后者的局部鲁棒校正，以获得参数收敛速度。蒙特卡罗模拟证实了我们的算法在实践中的性能。
2022-12-21 econ.EM
Computer vision-enriched discrete choice models, with an application to residential location choice
Delft University of Technology（代尔夫特理工大学）
本文提出融合计算机视觉与传统离散选择模型的CV-DCMs，以纳入图像信息并保留随机效用最大化基础，并通过居住区位选择的陈述选择实验验证其应用。
2023-08-16 cs.CV econ.EM
Continuous permanent unobserved heterogeneity in dynamic discrete choice models
针对含连续永久性不可观测异质性的动态离散选择模型，本文给出点识别的原始条件，并提出计算简便、可用参数方法实现的半非参数估计量。
2025-09-26 econ.EM
Bounds on Average Effects in Discrete Choice Panel Data Models
University of Oxford（牛津大学）；University College London（伦敦大学学院）
本文提出了一种方法，用于估计离散选择面板数据模型中平均效应的外界限，解决了部分识别和偶然参数问题带来的挑战。
2026-10-01 econ.EM
Identification in discrete choice models with imperfect information
针对非完美信息下静态单主体离散选择模型的偏好识别问题，借助单人贝叶斯相关均衡刻画尖锐识别集，基于筛法构建识别集并给出反事实结果界，结合2017年英国大选数据估计空间投票模型，量化信息不完美对选民和政党福利的影响。
2023-12-15 econ.EM
Reinforcement Learning Based Computationally Efficient Conditional Choice Simulation Estimation of Dynamic Discrete Choice Models
Judge Business School, University of Cambridge（剑桥大学贾奇商学院）
本文提出一种基于强化学习的计算高效条件选择模拟方法，用于高维动态离散选择模型的估计，结合了机器学习的可扩展性与结构模型的可解释性，提升模型在营销领域的应用价值。
2026-01-05 econ.EM
Network-based Representations and Dynamic Discrete Choice Models for Multiple Discrete Choice Analysis
针对多重离散选择中组合爆炸问题，本文将子集选择等价表示为DAG上的递归路径选择，并利用动态规划实现高效估计与相关性建模。
2023-06-07 econ.EM stat.CO
Faster estimation of dynamic discrete choice models using index invertibility
本文利用指数可逆性将动态离散选择模型的参数约束转化为等式约束，降低优化维度以加速估计，并证明其与无约束估计量渐近等价。
2025-04-07 econ.EM
The Mixed Aggregate Preference Logit Model: A Machine Learning Approach to Modeling Unobserved Heterogeneity in Discrete Choice Analysis
本文提出混合聚合偏好 Logit（MAPL）模型，利用机器学习直接关联输入与聚合偏好异质性分布，无需特征假设，克服了传统模型设定错误，并能正确建模多种数据生成过程及辅助诊断。
2025-03-03 econ.EM
Identification and Estimation of Discrete Choice Models with Unobserved Choice Sets
我们提出了一个框架的非参数识别和估计的离散选择模型与不可观察的选择集。我们从一个关于选择的面板数据集恢复选择集和偏好的联合分布。我们假设潜在的选择集是稀疏的，或者面板足够长。稀疏性要求可能的选择集的数量相对较小。例如，当选择集是嵌套的，或者当它们形成一个分区时，它是满足的。我们的估计过程是计算速度快，并使用混合整数优化恢复稀疏支持的选择集。使用家庭扫描仪数据集分析即食谷物行业，我们发现，忽略选择集的不可观察性可能会导致偏好的估计有偏差，因为选择集存在显着的潜在异质性。
2021-06-19 econ.EM econ.TH
Semiparametric Discrete Choice Models for Bundles
本文提出两种半参数捆绑离散选择模型估计方法，包括核加权秩估计器和多指标LAD估计器，并扩展至面板数据，通过蒙特卡洛实验验证了有限样本性能。
2023-11-10 econ.EM
Efficient counterfactual estimation in semiparametric discrete choice models: a note on Chiong, Hsieh, and Shum (2017)
我建议增强Chiong，Hsieh和Shum（2017）的程序，用于计算半参数离散选择模型中反事实需求的界限。他们的算法依赖于一个由大量$M$观察到的市场的循环索引的不等式系统，因此似乎需要计算上不可行的枚举所有这些循环。我表明，这样的枚举是不必要的，因为解决“完全有效”的不等式系统，利用周期的所有可能的长度$K=1,\dots,M$可以减少到寻找最短路径的长度之间的每对顶点在一个完整的双向加权图上的$M$顶点。后一个问题可以使用具有计算复杂度$O\left(M^3\right)$的Floyd-Warshall算法来解决，即使对于数千个市场，该算法也只需要几秒钟即可运行。蒙特卡罗模拟说明了使用所有长度的循环的效率增益，其结果是正的，但很小。
2021-12-09 econ.EM
Identification of Average Marginal Effects in Fixed Effects Dynamic Discrete Choice Models
本文在短面板固定效应动态logit模型中证明，T小至3时即可点识别平均边际效应，并给出闭式表达式，突破了传统观点。
2024-07-03 econ.EM
Approximating Choice Data by Discrete Choice Models
Columbia University（哥伦比亚大学）；Yale University（耶鲁大学）；Caltech（加州理工学院）
该研究给出了随机系数离散选择模型近似非参数随机效用模型的充要条件，识别出难以近似的偏好与替代模式，并提出了量化近似误差的算法。
2026-08-05 econ.EM econ.TH
Identification and Estimation of A Rational Inattention Discrete Choice Model with Bayesian Persuasion
研究了具有贝叶斯说服的理性疏忽模型的半参数辨识与估计问题。这种识别需要观察市场层面的跨部门结果。该模型的经验内容可以用三个矩条件来表征。为了避免结构模型中的计算复杂性，提出了一种两步估计方法。在实证应用方面，本文研究了福克斯新闻在2000年美国总统大选中的说服效果。福利分析表明，说服不会影响选民与高中教育，但会产生较高的离散度的福利选民与部分大学教育和降低离散度的福利选民与学士学位。
2020-09-17 econ.EM
Identification and Estimation of Continuous-Time Dynamic Discrete Choice Games
The Ohio State University（俄亥俄州立大学）
本文研究连续时间动态离散选择游戏的理论、计算和计量特性，探讨了移动到达率的识别问题及异质移动到达率的广义模型，通过蒙特卡洛实验和实证例子分析了估计器的计算和统计性质。
2025-11-04 econ.EM
Semiparametric Identification of the Discount Factor and Payoff Function in Dynamic Discrete Choice Models
本文研究平稳无限期动态离散选择模型中贴现因子与收益函数的识别，证明单代理人模型中的收益形状约束及动态博弈中的行动无关性、可交换性等假设可实现半参数识别。
2025-07-26 econ.EM
Model-Adaptive Approach to Dynamic Discrete Choice Models with Large State Spaces
UCL（伦敦大学学院）；CeMMAP（剑桥-曼彻斯特计量经济学与数据科学中心）；IFS（英联邦财政研究所）
本文提出基于共轭梯度法的模型自适应方法，解决大状态空间动态离散选择模型的估计与反事实实验问题，通过模型自适应筛空间提升计算效率，减少贝叶斯MCMC估计的计算成本。
2026-03-16 econ.EM
Semiparametric Discrete Choice Models for Bundles
本文提出两种捆绑商品半参数离散选择模型估计方法，并证明其渐近性质及自助法有效性，且可扩展至面板数据与多指标模型。
2024-12-12 econ.EM
Inference in Models of Discrete Choice with Social Interactions Using Network Data
本文研究了当数据由单个大网络组成时，具有社会交互作用的离散选择模型中的推理问题。我们提供了理论上的理由，使用空间和网络HAC方差估计在应用工作中，后者通过使用网络路径距离的空间距离。为此，我们证明了新的中心极限定理的网络时刻在一大类的社会互动模型。研究结果适用于网络上的离散博弈和社会互动通过滞后因变量进入的动态模型。我们说明我们的研究结果的实证应用和模拟研究。
2019-11-16 econ.EM stat.ME
Joint Estimation of Discrete Choice Model and Arrival Rate with Unobserved Stock-out Events
研究了在不可观测缺货事件发生时，离散选择模型与潜在顾客到达率的联合估计问题。在本文中，我们推广[Anupindi et al.，1998]和[Conlon和Mortimer，2013]的意义在于：（1）我们使用通用选择模型，（2）我们允许任意数量的产品和缺货事件，（3）我们考虑空替代的存在，并估计潜在客户的总体到达率。此外，我们指出[Conlon and Mortimer，2013]中的建模是有问题的，并给出了正确的公式。
2020-03-04 econ.EM math.OC
Choice Set Confounding in Discrete Choice
Cornell University（康奈尔大学）；Stanford University（斯坦福大学）
偏好学习的标准方法涉及从个体从离散的备选方案集合（选择集合）中做出的选择（选择）的数据来估计离散选择模型的参数。虽然有许多个人偏好的模型，但现有的学习方法忽略了选择集分配如何影响数据。通常，选择集本身受到个人偏好的影响;例如，消费者从在线零售商选择产品时，通常会收到来自推荐系统的选项，这些选项取决于消费者偏好的信息。忽略这些分配机制可能会误导选择模型对偏好进行有偏见的估计，这种现象我们称之为选择集混淆;我们在广泛使用的选择数据集中证明了这种混淆的存在。为了解决这个问题，我们调整方法从因果推理的离散选择设置。我们使用协变量的反概率加权和/或回归控制，准确地恢复个人偏好的选择集混淆在某些假设下的存在。当这些协变量不可用或不足时，我们开发了利用结构化选择集分配来提高预测的方法。我们证明了我们的方法对现实世界的选择数据的有效性，例如，考虑选择集混淆使酒店预订和通勤交通中观察到的选择更符合理性效用最大化。
2021-08-17 cs.LG cs.SI econ.EM
Discrete Choice and Rational Inattention: a General Equivalence Result
本文建立了离散选择和理性疏忽模型之间的一般等价性。Matejka和McKay（2015，AER）表明，当使用香农熵函数对信息成本进行建模时，在理性疏忽模型中产生的选择概率采用多项式logit形式。利用离散选择模型的凸分析性质，我们表明，当信息成本建模使用一类广义熵函数，在任何理性疏忽模型的选择概率是观察等价于一些加性随机效用离散选择模型，反之亦然。因此，任何加性随机效用模型都可以用有限理性行为来解释。这包括经验相关的规范，如概率单位和嵌套logit模型。
2017-09-26 cs.IT econ.EM math.IT
A Dynamic Choice Model with Heterogeneous Decision Rules: Application in Estimating the User Cost of Rail Crowding
地铁乘客的拥挤估值是公交运营商各种供应方决策的重要输入。公交乘客感知到的拥挤成本通常通过捕获乘客在选择路线时在拥挤和旅行时间之间做出的权衡来估计。然而，现有的研究依赖于静态的补偿选择模型，并没有考虑到惯性和骑手的学习行为。为了解决这些挑战，我们提出了一种新的动态潜在类模型（DLCM），它（i）根据不同的决策规则将骑手分配到潜在的补偿和惯性/习惯类，（ii）随着时间的推移实现这些类之间的转换，以及（iii）采用基于实例的学习理论来解释骑手的学习行为。我们使用的期望最大化算法来估计DLCM，并检索使用维特比算法的每个骑手的潜在类的最可能的序列。建议的DLCM可以应用于任何选择的上下文中，以捕获决策者使用的决策规则的动态。我们证明了它的实际优势，在估计拥挤的亚洲地铁乘客的估值。为了校准模型，我们恢复日常路线偏好和车内拥挤的经验，定期地铁乘客使用两个月长的智能卡和车辆位置数据。结果表明，平均骑手遵循的补偿规则，只有25.5%的路线选择的场合。DLCM的估计还显示，相对于不拥挤的情况，在极端拥挤的情况下，地铁乘客对旅行时间的估计增加了47%。
2020-07-07 econ.EM stat.AP
Discrete Choice with Endogenous Peer Selection
Western University（韦仕敦大学）；UC Santa Cruz（加州大学圣克鲁兹分校）
本文提出一个连续时间离散选择模型，其中代理人在决策时可能只关注部分同伴，同伴选择机制依赖于近期选择，并利用选择变化和潜在同伴集规模变化来识别偏好和同伴选择机制。
2026-06-02 econ.EM econ.TH
Weak Identification in Discrete Choice Models
我们研究了离散选择模型中弱识别的影响，并提供了这些模型中识别强度的决定因素的见解。利用这些见解，我们提出了一种新的测试，可以始终检测弱识别在常用的离散选择模型，如概率，logit，和他们的许多扩展。此外，我们证明了当弱识别的零假设被拒绝时，基于Wald的推理可以使用标准公式和临界值进行。蒙特卡罗研究比较我们提出的测试方法对常用的弱识别测试。结果同时表明，我们的方法和使用传统的弱识别测试的线性模型在离散选择模型的上下文中的基本故障的良好性能。此外，我们比较我们的方法对那些通常应用在文献中的两个实证例子：已婚妇女劳动力参与，美国粮食援助和国内冲突。
2021-01-20 econ.EM econ.GN q-fin.EC
Designing Graph Convolutional Neural Networks for Discrete Choice with Network Effects
School of Civil and Environmental Engineering, Cornell University（土木与环境工程学院，康奈尔大学）
我们提出一种图卷积神经网络架构，将网络效应纳入离散选择模型，在提升预测性能的同时保持可解释性，并在通勤和选举数据上验证了其有效性。
2025-03-12 cs.LG econ.EM stat.AP
Graph-Based Methods for Discrete Choice
Cornell University（康奈尔大学）
针对传统离散选择模型无法利用全局社交网络且依赖手工特征的问题，提出三种图学习方法，实验证明结合社交网络结构能显著提升多项Logit等模型的预测效果并降低样本复杂度。
2023-11-17 cs.LG cs.SI econ.EM
A Dirichlet Process Mixture Model of Discrete Choice
我们提出了一个混合多项logit（MNL）模型，它利用截断棒打破过程表示的狄利克雷过程作为一个灵活的非参数混合分布。该模型是一个狄利克雷过程混合模型，并容纳离散表示的异质性，像一个潜在的类MNL模型。然而，与潜在类MNL模型不同，建议的离散选择模型不需要分析师在估计之前固定混合成分的数量，因为离散混合分布的复杂性是从证据中推断出来的。对于离散选择的Dirichlet过程混合模型的后验推理，我们给出了一个期望最大化算法。在模拟研究中，我们证明了所提出的模型框架可以灵活地捕获不同形状的口味参数分布。此外，我们实证验证了模型框架的案例研究中的驾驶员的路线选择偏好，并发现建议的离散选择的Dirichlet过程混合模型优于一个潜在的类MNL模型和混合MNL模型与常见的参数混合分布的样本内拟合和样本外的预测能力。与现有的建模方法相比，建议的离散选择模型大大简化了规格搜索，因为它依赖于较少的限制性参数假设，并不需要分析师指定的离散混合分布的复杂性之前估计。
2018-01-19 econ.EM stat.AP stat.CO
Identifying the Discount Factor in Dynamic Discrete Choice Models
实证研究经常引用观察到的选择反应的变化，改变预期的贴现未来的效用，但不是当前的效用，作为一个直观的信息来源的时间偏好。我们研究了在这种基于经济动机的原始效用排斥限制下的动态离散选择模型的识别问题。我们发现，每个排除限制导致一个很容易解释的时刻条件与折扣因子作为唯一的未知参数。解决这个条件的贴现因子的确定集合是有限的，但不一定是单例的。因此，与一般直觉相反，排除限制一般不会给出点识别。最后，我们表明，排除限制有非平凡的经验内容：隐含的时刻条件施加限制的选择，没有从无约束模型。
2019-09-16 econ.EM econ.GN q-fin.EC
Robust discrete choice models with t-distributed kernel errors
离散选择响应数据中的离群值可能是由于响应变量的错误分类和误报以及与建模假设不一致的选择行为（例如随机效用最大化）造成的。在存在离群值的情况下，标准离散选择模型会产生有偏的估计值，并降低预测准确性。稳健统计模型对离群值的敏感性低于标准非稳健模型。本文分析了多项概率（MNP）模型的两个稳健的替代方案。这两个模型是robit模型，其核误差分布是重尾t分布，以缓和离群值的影响。第一个模型是多项robit（MNR）模型，其中一个通用的自由度参数控制核误差分布的重尾性。第二个模型，广义多项robit（Gen-MNR）模型，比MNR更灵活，因为它允许在内核误差分布的每个维度上有明显的重尾性。对于这两个模型，我们推导出吉布斯采样后验推理。在模拟研究中，我们说明了优秀的有限样本性质的贝叶斯估计，并表明，MNR和Gen-MNR产生更准确的估计，如果选择数据包含离群值通过镜头的非鲁棒MNP模型。在运输方式选择行为的案例研究中，MNR和Gen-MNR在样本内拟合和样本外预测准确性方面大幅优于MNP。该案例研究还强调了不同模型之间弹性估计的差异。
2022-12-05 econ.EM stat.ME
A Comment on "Estimating Dynamic Discrete Choice Models with Hyperbolic Discounting" by Hanming Fang and Yang Wang
最近的文献经常引用Fang和Wang（2015）分析排除限制下动态离散选择中的时间偏好识别（例如Yao et al.，2012; Lee，2013; Ching等人，2013; Norets和Tang，2014; Dubé等人，2014; Gordon和Sun，2015; Bajari等人，2016; Chan，2017; Gayle等人，2018年）。Fang和Wang的命题2要求具有双曲贴现的动态离散选择模型的一般识别。该声明使用了“通用”的定义，该定义并不排除通用识别的模型在任何地方都无法识别的可能性。为了说明这一点，我们提供了两个简单的模型例子，这些模型在方和王的意义上是通用标识的，但它们分别是无处不在和无处可标识的。我们得出结论，命题2是无效的：它没有识别的动态离散选择模型的影响。我们表明，它的证明是不正确的和不完整的，并提出替代方法来识别。
2019-07-03 econ.EM econ.GN q-fin.EC
Discrete Choice Analysis with Machine Learning Capabilities
Massachusetts Institute of Technology（麻省理工学院）
本文讨论的能力是必不可少的模型应用于政策分析设置和现成的机器学习方法直接应用到这样的设置的局限性。为政策分析建立离散选择模型的传统计量经济学方法涉及将数据与受主题考虑指导的建模假设相结合。这种考虑通常是最有用的，在指定随机效用离散选择模型的系统组件，但通常是有限的帮助，在确定随机组件的形式。我们确定了一个领域，机器学习范例可以利用，即在指定和系统地选择最佳规格的随机组件的效用方程。我们回顾了最近的两个新的应用程序，混合整数优化和交叉验证算法选择最佳规格的随机效用组件的嵌套logit和logit混合模型的可解释性约束。
2021-01-21 cs.LG econ.EM stat.ME
Universal Inference for Incomplete Discrete Choice Models
本文针对具有集值预测的实证模型，提出一种具有有限样本有效性的易处理推断方法，基于稳健的普适推断框架构建置信区间，适用于模型不完全性等复杂场景。
2025-01-29 econ.EM math.ST stat.TH
Tabular Foundation Models for Discrete Choice Estimation
Leeds School of Business, University of Colorado Boulder（科罗拉多大学博尔德分校利兹商学院）
研究离散选择估计中表格基础模型的应用，提出编码选择集依赖性和个体异质性的重新表述方法，在酸奶扫描仪面板数据上评估，该方法在预测准确性和速度上优于分层贝叶斯估计，为基础模型应用于消费者选择问题提供原则性方法。
2026-07-21 cs.AI cs.LG econ.EM
Amortized Inference for Correlated Discrete Choice Models via Equivariant Neural Networks
Johns Hopkins Carey Business School（约翰霍普金斯大学凯瑞商学院）
本文提出利用等变神经网络架构近似一般误差分布下的选择概率，通过Sobolev训练提升估计一致性与渐近正态性，仿真显示在准确性和速度上优于GHK模拟器。
2026-09-09 cs.LG econ.EM stat.ME
Incorporating Domain Knowledge in Deep Neural Networks for Discrete Choice Models
Faculty of Civil and Environmental Engineering, Technion – Israel Institute of Technology（以色列理工学院土木与环境工程学院）
本文提出一种通过伪数据样本与约束损失将领域知识和先验信念融入机器学习的离散选择建模框架，以兼顾非线性拟合灵活性与计量经济学可解释性。
2023-05-30 cs.AI cs.LG econ.EM
Semiparametric Bayesian Estimation of Dynamic Discrete Choice Models
本文提出一种基于位置-尺度混合极值分布的半参数贝叶斯方法估计动态离散选择模型，通过哈密顿蒙特卡洛和可逆跳转算法实现推断，解决了标准动态logit模型在冲击非极值分布时产生误导的问题，并给出了逼近与后验收缩的理论结果。
2023-08-03 econ.EM math.ST stat.CO
Bayesian Deep Learning for Discrete Choice
School of Civil and Environmental Engineering, Cornell University（土木与环境工程学院，康奈尔大学）；Industrial Engineering Department, Universidad de Los Andes（工业工程系，洛斯安德斯大学）
研究针对离散选择模型，提出将深度学习模型与近似贝叶斯推理方法集成的架构，数据有限时可减轻过拟合等问题，通过模拟研究和实证案例展示该方法，评估相关指标，提升离散选择模型性能。
2026-07-10 cs.LG econ.EM stat.AP
