预训练模型可秒级高精度估计消费者搜索行为。
Pre-Training Estimators for Structural Models: Application to Consumer Search
- 用神经网络从数据中识别结构模型参数
- 12个真实数据集上估计仅需秒级，准确率高
- 适合想快速应用结构模型的研究者
我们开发了结构计量经济模型的预训练估计器。该估计器利用神经网络从数据模式中识别结构模型参数，训练完成后可低成本、低努力地共享并应用于不同数据集。在充分训练下，估计器收敛于给定数据模式的贝叶斯后验。以顺序搜索模型为例，我们构建了预训练估计器（可在 pnnehome.github.io 获取），在12个真实数据集上仅需数秒即可完成估计，且精度高。更广泛而言，预训练估计器可显著降低结构模型的使用门槛，提升可及性。
原文摘要 · Abstract (English)
We develop pre-trained estimators for structural econometric models. The estimator uses a neural net to recognize the structural model's parameter from data patterns. Once trained, the estimator can be shared and applied to different datasets at negligible cost and effort. Under sufficient training, the estimator converges to the Bayesian posterior given the data patterns. As an illustration, we construct a pretrained estimator for a sequential search model (available at pnnehome.github.io). Estimation takes only seconds and achieves high accuracy on 12 real datasets. More broadly, pretrained estimators can make structural models much easier to use and more accessible.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。