Generalized indirect inference for discrete choice models

این مقاله یک روش مبتنی بر شبیه سازی عملی را برای برآورد مدل های انتخاب پویا گسسته طراحی و اجرا می کند. روش، که می تواند متغیرهای وابسته به عقب مانده، اشتباهات سریال همبسته، متغیرهای غیر قابل مشاهده و بسیاری از گزینه ها، بر اساس ایده های استنتاج غیر مستقیم استوار باشد. مشکل اصلی در پیاده سازی غیر مستقیم در مدل های انتخابی گسسته این است که سطح هدف یک تابع گام است و روش های بهینه سازی مبتنی بر شیب را بی فایده ارائه می دهد. برای غلبه بر این مانع، این مقاله نشان می دهد که چگونه سطح هدف را صاف کنید. ایده کلیدی این است که از یک عملکرد نرم افزاری از سرویسهای پنهان به عنوان متغیر وابسته در مدل کمکی استفاده شود. همانطور که پارامتر هماهنگی به صفر می رسد، این تابع انتخاب گزاره ای را مطرح می کند که با استفاده از سرویس های پنهان ارائه شده است، در نتیجه تضمین یکپارچگی. ما ایجاد شرایط در صاف کردن به طوری که برآورد ما همان محدود کردن توزیع به عنوان برآوردگر استنتاج غیر مستقیم برخوردار است، در حالی که در همان زمان حصول اطمینان از صاف کردن تسهیل همگرایی روش بهینه سازی مبتنی بر گرادیان. مجموعه ای از آزمایشات مونت کارلو نشان می دهد که این روش سریع، قوی و تقریبا همان کارآیی به عنوان حداکثر احتمال است که مدل کمکی به اندازه کافی غنی باشد.