論文の概要: Neural Demand Estimation with Habit Formation and Rationality Constraints

• arxiv url: http://arxiv.org/abs/2603.02331v1
• Date: Mon, 02 Mar 2026 19:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.515524
• Title: Neural Demand Estimation with Habit Formation and Rationality Constraints
• Title（参考訳）: 軌道形成と相対性制約によるニューラルデマンド推定
• Authors: Marta Grzeskiewicz,
• Abstract要約: 我々は、KL分散を最小化して、単純度に基づく予算共有を見積もる、継続的な予算配分のためのフレキシブルなニューラルネットワーク需要システムを開発する。 本研究は, 添加習慣は, サンプル外誤差をc.33%低減し, 代替パターンを再現し, 静的モデルと比較して約15～16%の値上がりからCV損失を増加させることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We develop a flexible neural demand system for continuous budget allocation that estimates budget shares on the simplex by minimizing KL divergence. Shares are produced via a softmax of a state-dependent preference scorer and disciplined with regularity penalties (monotonicity, Slutsky symmetry) to support coherent comparative statics and welfare without imposing a parametric utility form. State dependence enters through a habit stock defined as an exponentially weighted moving average of past consumption. Simulations recover elasticities and welfare accurately and show sizable gains when habit formation is present. In our empirical application using Dominick's analgesics data, adding habit reduces out-of-sample error by c.33%, reshapes substitution patterns, and increases CV losses from a 10% ibuprofen price rise by about 15-16% relative to a static model. The code is available at https://github.com/martagrz/neural_demand_habit .
• Abstract（参考訳）: 我々は、KL分散を最小化して、単純度に基づく予算共有を見積もる、継続的な予算配分のためのフレキシブルなニューラルネットワーク需要システムを開発する。 共有は、状態依存の選好スコアのソフトマックスを介して生成され、規則性(単調性、スラツキー対称性)で規律づけられ、パラメトリックな実用形式を課すことなくコヒーレントな静的と福祉をサポートする。 状態依存は、過去の消費の指数的に重み付けされた移動平均として定義される習慣ストックを通り抜ける。 シミュレーションは、弾力性と福祉を正確に回復し、習慣形成時の大きな利得を示す。 ドミニクの鎮痛データを用いた経験的応用では, 吸入誤差をc.33%低減し, 置換パターンを再現し, 静的モデルと比較して約15～16%の値上がりからCV損失を増加させた。 コードはhttps://github.com/martagrz/neural_demand_habit で公開されている。

関連論文リスト

• Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
  NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。 本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
  論文  参考訳（メタデータ） (2025-12-31T12:08:29Z)
• Regularizing Extrapolation in Causal Inference [12.057981453189505]
  我々は外挿のレベルを直接罰する統一的な枠組みを提案する。 最悪の外挿誤差を導出し、新しい「バイアスバイアス分散」トレードオフを導入する。
  論文  参考訳（メタデータ） (2025-09-21T18:05:15Z)
• Analyzing the Impact of Credit Card Fraud on Economic Fluctuations of American Households Using an Adaptive Neuro-Fuzzy Inference System [0.0]
  拡張ANFISを用いて新しいハイブリッド解析法を提案する。 このモデルは、歴史的トランザクションデータとマクロ経済指標に基づいて離散ウェーブレット変換を行い、局所的な経済ショック信号を生成する。 実験の結果、RMSEは局所神経ファジィモデルや従来のLSTMモデルと比較して17.8%減少した。
  論文  参考訳（メタデータ） (2025-09-18T20:09:07Z)
• Memorization and Regularization in Generative Diffusion Models [5.128303432235475]
  拡散モデルは、生成モデリングの強力なフレームワークとして登場した。 この分析は、解析的に抽出可能な最小化器の再生を避けるための正規化の必要性を強調している。 実験は記憶の文脈で評価され、今後の正規化の方向性が強調される。
  論文  参考訳（メタデータ） (2025-01-27T05:17:06Z)
• Econometric Inference for High Dimensional Predictive Regressions [4.658398919599387]
  我々は、IVX分離LASSO(XDlasso)と呼ばれる新しい推定器を提案する。 XDlassoは同時に収縮バイアスを除去する。 我々は、利益-価格比に基づく米国株のリターン予測可能性と、失業率を用いた米国のインフレ予測可能性について検討する。
  論文  参考訳（メタデータ） (2024-09-16T06:41:58Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Analysis of Bootstrap and Subsampling in High-dimensional Regularized Regression [29.57766164934947]
  統計モデルの不確実性を推定するための一般的な再サンプリング手法について検討する。 一般化線形モデル(英語版)の文脈において、これらの手法によって推定されるバイアスと分散の厳密な記述を提供する。
  論文  参考訳（メタデータ） (2024-02-21T08:50:33Z)
• A Pseudo-Semantic Loss for Autoregressive Models with Logical Constraints [87.08677547257733]
  ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。 本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。 また,スドクと最短経路予測の手法を自己回帰世代として評価した。
  論文  参考訳（メタデータ） (2023-12-06T20:58:07Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Sparse Identification of Nonlinear Dynamical Systems via Reweighted $\ell_1$-regularized Least Squares [62.997667081978825]
  本研究は, 非線形系の制御方程式をノイズ状態測定から復元するための繰り返しスパース規則化回帰法を提案する。 本研究の目的は、状態測定ノイズの存在下での手法の精度とロバスト性を改善することである。
  論文  参考訳（メタデータ） (2020-05-27T08:30:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。