超越对数it的可转让效用匹配：一般异质性的计算与估计
Transferable Utility Matching Beyond Logit: Computation and Estimation with General Heterogeneity
AI总结：
本文提出了一种无需对数it结构的通用可转让效用匹配框架，通过线性规划解决大规模分配问题，并开发了系统盈余的模拟矩匹配估计器，验证了其在正确规范下的一致性及对数it规格不正确时的系统性偏差。
摘要：
我们提出了一种通用的可转让效用（TU）匹配框架，能够处理任意异质性而不依赖对数it结构。最优分配问题通过可处理的线性规划公式来表征，允许灵活的误差分布和相关性模式。我们介绍了一种迭代算法，该算法能够保证收敛并具有直观的经济解释地解决大规模分配问题，并展示了相同结构如何支持一种模拟矩匹配估计系统盈余的估计器。使用模拟数据的实验展示了该算法的可扩展性和在正确规范下的估计器一致性，以及由于对数it规格不正确而产生的系统性偏差。
英文摘要：
We present a general framework for matching with transferable utility (TU) that accommodates arbitrary heterogeneity without relying on the logit structure. The optimal assignment problem is characterized by tractable linear programming formulation, allowing flexible error distributions and correlation patterns. We introduce an iterative algorithm that solves large-scale assignment problems with guaranteed convergence and an intuitive economic interpretation, and we show how the same structure supports a simulated moment-matching estimator of the systematic surplus. Experiments using simulated data demonstrate the algorithm's scalability and the estimator's consistency under correct specification, as well as systematic bias arising from logit misspecification.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
