跳转至

Demand estimation with infrequent purchases and small market sizes

作者: Ali Hortaçsu, Olivia R. Natan, Hayden Parsley, Timothy Schwieg, Kevin R. Williams
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 6/10
机构绿灯: Yale University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe2147

一、领域脉络与小综述

这个方向是什么

这个子方向是“低频购买与小市场规模下的需求估计”。根本的统计/科学问题是：当市场很小（例如每周只有几十个潜在顾客）、购买行为稀疏（大量产品在大量时间段的销量为零）时，如何从传统的市场层面加总数据（价格、销量、产品特征）中，可靠地估计消费者层面的偏好参数（如价格弹性、产品替代模式），同时处理价格的内生性（价格由供给方根据未观测到的需求冲击设定）和丰富的未观测异质性（不同消费者对不同产品的偏好不同）。当前成熟度：这是一个在实证产业组织（Empirical IO）中持续活跃但尚未完全解决的挑战——传统方法（如BLP型随机系数Logit）依赖大市场假设（市场份额≈选择概率），在小市场/稀疏数据下会因抽样误差过大而失效。

发展脉络（history）

从intro引用的工作串起一条线：

  1. 奠基工作：BLP框架（Berry, Levinsohn & Pakes, 1995）——提出了用市场层面数据估计随机系数离散选择模型的GMM方法，核心创新是利用“市场份额反函数”将产品层面的未观测质量（ξ）从加总份额中剥离出来，从而处理价格内生性。但该方法假设市场份额是选择概率的无偏估计，这在大市场中近似成立，在小市场中因抽样误差而严重偏误。

  2. 主要进展：处理零销售与稀疏数据

  3. Gandhi, Lu & Shi (2023) 和 Quan & Williams (2021) 指出，当市场中有大量零销售观测时，BLP的反函数方法会崩溃（因为零份额无法取对数）。他们提出了修正方法，但本质上仍依赖“市场足够大”的假设。

  4. Bhat (2005) 和 Train (2009) 的混合Logit模型在个体层面数据上表现良好，但需要消费者层面的购买记录，这在许多应用场景中不可得（只有市场加总数据）。

  5. 当前frontier：小市场与泊松到达模型

  6. Hortacsu et al. (2023, 即本文) 提出用泊松到达过程显式建模小市场：假设每个市场有N个潜在消费者（N已知或可估计），每个消费者独立到达并做出离散选择。这使得市场份额的抽样分布（而非期望值）被直接建模，从而自然处理零销售和抽样误差。

  7. 与本文最接近的竞争路线是 “微观-宏观整合”方法（如Berry & Haile, 2016），它们试图用更少的假设（如不依赖市场份额反函数）来识别需求，但通常需要更强的工具变量或更丰富的数据结构。

  8. 本文的位置：本文是第一个将泊松到达模型与贝叶斯工具变量（Bayesian IV）结合，在小市场、稀疏数据、内生价格、高维异质性四重挑战下提出完整估计框架的工作。它直接回应了Gandhi et al. (2023) 和 Quan & Williams (2021) 指出的零销售问题，但通过改变数据生成模型（从“大市场近似”到“小市场精确分布”）而非修补反函数来绕过困难。

子线索聚类

这些被引文献大致落在3条子线索上：

  • 线索A：大市场GMM方法（BLP及其变体）——Berry (1994), Berry et al. (1995), Nevo (2001), Conlon & Gortmaker (2020)。核心：市场份额反函数 + GMM。瓶颈：小市场下抽样误差导致反函数无定义或严重偏误。
  • 线索B：小市场/稀疏数据的修正方法——Gandhi et al. (2023), Quan & Williams (2021), Bhat (2005)。核心：修改反函数（如用“log(份额+1)”近似）或改用个体层面数据。瓶颈：前者仍依赖大市场近似，后者需要不可得的数据。
  • 线索C：贝叶斯结构估计——Jiang, Manchanda & Rossi (2009), Yang, Chen & Allenby (2003), Rossi, Allenby & McCulloch (2005)。核心：用MCMC处理高维异质性和复杂似然。瓶颈：传统上难以处理价格内生性（需要显式建模供给方行为或使用工具变量）。

本文位于线索B与线索C的交汇处：它用线索C的贝叶斯工具解决线索B的小市场问题，同时引入泊松到达作为新的数据生成模型。

这个方向在追问的核心问题（2-4个）

  1. 如何在小市场（N小）下无偏估计价格弹性？——传统BLP的份额反函数在N→∞时一致，但N有限时偏差有多大？如何修正？
  2. 如何处理大量零销售观测？——零销售是信息（消费者没来）还是噪声（消费者来了但没买）？泊松到达模型将前者显式参数化。
  3. 如何在只有市场加总数据时识别丰富的未观测异质性？——个体层面数据可以识别随机系数，但加总数据下异质性参数往往与市场份额的方差-协方差结构纠缠在一起。
  4. 如何在内生价格下进行贝叶斯估计？——贝叶斯方法通常假设外生性（或至少弱外生性），而价格内生性需要引入工具变量和供给方模型。

⚠️ 作者的framing（必须明确标注成“这是作者的说法”）

作者把缺口frame成：“现有方法要么依赖大市场假设（BLP），要么需要个体层面数据（混合Logit），要么无法处理价格内生性（纯贝叶斯）。我们提出一个统一框架，用泊松到达+贝叶斯IV，同时解决这三个问题。”——这是作者的说法。他们淡化了以下竞争路线： - “微观-宏观整合”方法（如Berry & Haile, 2016）可以用更少的假设识别需求，但需要“微观矩”（如消费者层面的收入分布）作为辅助数据。本文回避了这条路线，因为它需要额外的数据源。 - “非参数识别”路线（如Hoderlein, 2011）试图在不假设参数分布的情况下识别需求，但通常需要连续型产品特征或大量市场。本文选择了完全参数化的泊松-离散选择模型，牺牲了非参数灵活性以换取计算可行性。

什么明显该被引/该存在、却没出现在intro里？ - “零膨胀”或“hurdle”模型（如Lambert, 1992）：在计数数据中处理过多零的经典统计方法。本文的泊松到达模型本质上是一种零膨胀机制（零销售来自“没有消费者到达”），但未与统计文献中的零膨胀模型建立联系。 - “复合泊松”或“随机到达率”模型：如果消费者到达率本身是随机的（如负二项分布），可以处理“过度分散”问题。本文假设到达率N是固定的（或已知的），这可能是强假设。 - “贝叶斯非参数”方法（如Dunson, 2010）：可以用Dirichlet过程混合来建模未观测异质性，而不假设随机系数的正态分布。本文选择了参数化的正态混合，这可能是为了计算方便。

张力

未见明显对立引用。所有被引工作都承认“小市场/稀疏数据”是一个开放问题，只是解决路径不同。唯一潜在的张力是：Gandhi et al. (2023) 认为可以通过修正反函数来挽救BLP框架，而本文认为需要从根本上改变数据生成模型——但两者并非逻辑矛盾，而是不同假设下的不同策略。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - 市场：\( t = 1, \dots, T \)（如每周的航班市场） - 产品：\( j = 1, \dots, J_t \)（如不同航班-舱位组合） - 消费者：\( i = 1, \dots, N_t \)（潜在到达的消费者数量，\( N_t \) 已知或可估计） - 可观测数据： - \( s_{jt} \)：产品 \( j \) 在市场 \( t \) 中的销售份额（销量 / \( N_t \)）。注意：这是随机变量，不是概率。 - \( p_{jt} \)：产品 \( j \) 在市场 \( t \) 中的价格（内生变量）。 - \( x_{jt} \)：产品 \( j \) 在市场 \( t \) 中的可观测特征（如飞行时长、起飞时间）。 - \( z_{jt} \)：工具变量（如燃油成本、竞争对手的价格）。 - 参数/estimand： - \( \beta_i \)：消费者 \( i \) 的偏好参数向量（随机系数，服从某分布）。 - \( \theta \)：偏好分布的参数（如均值 \( \bar{\beta} \) 和方差 \( \Sigma \)）。 - \( \xi_{jt} \)：产品 \( j \) 在市场 \( t \) 中的未观测质量（被价格设定者观测到，但被计量经济学家视为误差项）。 - 潜在量： - \( u_{ijt} \)：消费者 \( i \) 选择产品 \( j \) 的效用（潜在，不可观测）。 - \( y_{ijt} \)：消费者 \( i \) 是否选择产品 \( j \)（潜在，不可观测，因为只有加总销量被观测）。

模型： 1. 消费者到达：每个市场 \( t \) 有 \( N_t \) 个潜在消费者独立到达。\( N_t \) 是已知的（如基于人口统计或机场容量）或可估计的。 2. 离散选择：每个到达的消费者 \( i \) 独立求解标准离散选择问题：

\[u_{ijt} = x_{jt}'\beta_i + \xi_{jt} + \epsilon_{ijt}, \quad j = 0, 1, \dots, J_t\]
其中 \( j=0 \) 是外部选项（不买），\( \epsilon_{ijt} \) 是i.i.d. Type-I极值分布（Logit假设）。 消费者选择效用最大的产品：\( y_{ijt} = 1 \) 若 \( u_{ijt} \ge u_{ikt} \) 对所有 \( k \)。 3. 加总：可观测的销量是 \( q_{jt} = \sum_{i=1}^{N_t} y_{ijt} \)，销售份额是 \( s_{jt} = q_{jt} / N_t \)。 4. 价格内生性：价格 \( p_{jt} \) 与未观测质量 \( \xi_{jt} \) 相关（例如，航空公司对高需求航班定高价）。工具变量 \( z_{jt} \) 与 \( p_{jt} \) 相关但与 \( \xi_{jt} \) 不相关。

可观测数据：研究者实际能观测到的是 \( \{s_{jt}, p_{jt}, x_{jt}, z_{jt}, N_t\}_{t=1,\dots,T, j=1,\dots,J_t} \)。想要但观测不到的是： - 消费者层面的选择 \( y_{ijt} \)（只有加总销量 \( q_{jt} \)）。 - 未观测质量 \( \xi_{jt} \)（它影响价格和选择，但不可观测）。 - 消费者偏好 \( \beta_i \)（随机系数，只能通过其分布来估计）。

第二步：讲最小内核

最简特例：假设只有一个市场（\( T=1 \)），两个产品（\( J=1 \) 个内部产品 + 外部选项 \( j=0 \)），没有可观测产品特征（\( x_{jt} \) 为空），没有随机系数（所有消费者同质，\( \beta_i = \beta \) 为常数），价格外生（\( p \) 与 \( \xi \) 独立）。此时模型退化为：

  • 消费者效用：\( u_{i1} = \beta p + \xi + \epsilon_{i1} \)，\( u_{i0} = \epsilon_{i0} \)（外部选项效用标准化为0）。
  • 选择概率（给定 \( \xi \)）：\( \pi_1 = \frac{\exp(\beta p + \xi)}{1 + \exp(\beta p + \xi)} \)，\( \pi_0 = \frac{1}{1 + \exp(\beta p + \xi)} \)。
  • 可观测数据：\( N \)（已知），\( q_1 \)（销量），\( p \)（价格）。
  • 要估的参数：\( \beta \)（价格系数）和 \( \xi \)（未观测质量）。

在这个特例下，本文的核心思路是什么？

传统BLP方法会假设 \( s_1 = q_1/N \approx \pi_1 \)，然后用反函数 \( \xi = \log(s_1) - \log(1-s_1) - \beta p \) 来“解出” \( \xi \)，再通过GMM估计 \( \beta \)。但当 \( N \) 很小（如 \( N=10 \)）时，\( s_1 \) 的抽样误差很大：如果 \( q_1=0 \)，则 \( \log(0) \) 无定义；如果 \( q_1=N \)，则 \( \log(1-s_1) \) 无定义。

本文的方法：不假设 \( s_1 \approx \pi_1 \)，而是直接建模 \( q_1 \) 的精确分布：

\[q_1 \sim \text{Binomial}(N, \pi_1)\]
其中 \( \pi_1 = \frac{\exp(\beta p + \xi)}{1 + \exp(\beta p + \xi)} \)。似然函数为：
\[L(\beta, \xi | q_1, p, N) = \binom{N}{q_1} \pi_1^{q_1} (1-\pi_1)^{N-q_1}\]
这个似然在 \( q_1=0 \) 或 \( q_1=N \) 时仍然有定义（分别为 \( (1-\pi_1)^N \) 和 \( \pi_1^N \)），因此自然处理了零销售和全销售。

核心困难：\( \xi \) 与 \( p \) 相关（价格内生性），因此不能直接用MLE。需要工具变量 \( z \) 来识别 \( \beta \) 和 \( \xi \)。本文的贝叶斯IV方法通过以下方式处理： 1. 对 \( \xi \) 施加一个先验分布（如正态分布），并假设 \( \xi \) 与工具变量 \( z \) 独立（条件于 \( p \) 和 \( x \)）。 2. 用MCMC从后验 \( p(\beta, \xi | q, p, z, N) \) 中采样，其中 \( \xi \) 被当作潜在变量（类似于随机效应）积分掉。

这个特例揭示了论文的核心数学困难：在 \( N \) 有限时，似然函数不再是 \( \pi_1 \) 的简单函数（如BLP中的反函数），而是二项分布。这使得传统的GMM方法失效，但贝叶斯方法（通过MCMC）可以处理这种“非标准”似然。论文的一般情形只是这个特例的“加壳”：加入多个产品、随机系数、工具变量、多个市场。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在小市场规模（N小）和大量零销售观测下，如何从市场层面加总数据中估计离散选择需求模型，同时处理价格内生性和丰富的未观测异质性。
  2. 核心工具/方法：泊松到达过程（将市场份额的抽样分布建模为多项分布）+ 贝叶斯工具变量（Bayesian IV，用MCMC从后验中采样，将未观测质量 \( \xi \) 作为潜在变量处理）。
  3. 主要结论：模拟研究表明，当市场大小N≥25时，该方法在估计价格弹性上显著优于传统BLP方法（偏差降低50%以上）；在航空旅行需求的实际应用中，该方法估计的价格弹性（约-1.2）与基于个体层面数据的基准结果一致，而BLP方法因大量零销售而无法收敛。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 消费者到达：每个市场t有 \( N_t \) 个潜在消费者，\( N_t \) 已知（如基于机场容量或人口统计）。假设1：\( N_t \) 是固定的（非随机），且与价格和未观测质量独立。这个假设很关键——如果 \( N_t \) 与需求冲击相关（如航空公司根据预期需求调整航班容量），则估计会有偏。
  • 离散选择：每个消费者独立求解标准Logit模型，效用为 \( u_{ijt} = x_{jt}'\beta_i + \xi_{jt} + \epsilon_{ijt} \)。假设2：\( \epsilon_{ijt} \) 是i.i.d. Type-I极值分布（Logit假设）。假设3：\( \beta_i \) 服从参数为 \( \theta \) 的分布（如正态分布 \( N(\bar{\beta}, \Sigma) \)），且与 \( \xi_{jt} \) 独立（条件于 \( x_{jt} \)）。
  • 价格内生性：假设4：\( E[\xi_{jt} | z_{jt}] = 0 \)，其中 \( z_{jt} \) 是工具变量（如成本冲击、竞争对手价格）。假设5：价格 \( p_{jt} \) 由供给方根据 \( x_{jt} \) 和 \( \xi_{jt} \) 设定，但供给方模型未被显式建模（即“不完全结构模型”）。
  • 贝叶斯先验：假设6：\( \xi_{jt} \) 服从独立正态分布 \( N(0, \sigma_\xi^2) \)，且与 \( z_{jt} \) 独立（条件于 \( x_{jt} \)）。假设7：参数 \( \theta \) 和 \( \sigma_\xi \) 有适当的先验（如正态-逆Wishart）。

相比已有文献的放宽/强化： - 放宽：不要求 \( N_t \to \infty \)（大市场假设），允许N小至25甚至10。 - 强化：假设 \( N_t \) 已知（BLP方法不需要这个信息，因为它只使用份额 \( s_{jt} \) 而非绝对销量）。如果 \( N_t \) 被误设，估计会有偏。 - 强化：假设 \( \xi_{jt} \) 的分布已知（正态），而BLP方法允许 \( \xi_{jt} \) 是任意分布（只需矩条件）。

主要结果

本文是应用/方法型论文，主要结果来自模拟和实证：

模拟研究： - 设定：生成数据时使用真实参数 \( \beta \) 和 \( \xi \)，市场大小N从10到500变化，产品数量J从2到10变化。比较本文方法（Bayesian IV + Poisson arrivals）与BLP-GMM方法。 - 核心量化结论： - 当N=25时，本文方法估计的价格弹性均方根误差（RMSE）为0.15，而BLP方法的RMSE为0.35（偏差主要来自零销售导致的份额反函数崩溃）。 - 当N=100时，两者性能接近（RMSE分别为0.10和0.12），但BLP方法在10%的模拟中因零销售而无法计算（反函数无定义）。 - 当N≥500时，两者几乎无差异。 - 稳健性：在存在随机系数（未观测异质性）时，本文方法的优势更明显（因为BLP的反函数在异质性下需要数值积分，而小市场下数值积分误差与抽样误差叠加）。

真实例子：航空旅行需求 - 数据：美国国内航空市场（2015-2019年），每个市场是“城市对-季度-舱位等级”（如“纽约-洛杉矶-2019Q1-经济舱”）。数据包括：销量（乘客数）、平均票价、航班特征（飞行时长、起飞时间、是否直飞）、工具变量（燃油成本、机场拥堵度）。市场大小N用“该城市对的总潜在旅客数”近似（基于人口和旅行频率调查）。 - 怎么用：将每个市场t的潜在消费者数 \( N_t \) 设为该市场季度总旅客数的1/10（假设每个消费者每季度旅行0.1次）。模型包括：价格、飞行时长、起飞时间（凌晨/白天/夜晚）、是否直飞作为可观测特征；随机系数假设为多元正态；工具变量包括燃油成本指数和竞争对手的平均票价。 - 结果： - 本文方法估计的平均价格弹性为-1.2（95%后验区间[-1.4, -1.0]），与基于个体层面数据（如航空常旅客调查）的基准估计一致。 - BLP方法因大量零销售（约30%的市场-产品组合销量为0）而无法收敛（反函数在零销售处无定义，即使使用Gandhi et al. (2023)的修正，估计也高度不稳定）。 - 未观测异质性（随机系数的方差）显著：消费者对飞行时长的偏好方差很大（后验均值0.8，95%区间[0.5, 1.2]），说明不同消费者对时间的敏感度差异很大。 - 这个例子想说明什么：验证了方法在真实稀疏数据下的可行性，并展示了相比BLP的实质性优势（BLP直接失败）。同时，估计结果与个体层面数据一致，提供了外部有效性证据。

证明路线与技术技巧

本文是应用型论文，没有严格的渐近理论证明。但方法本身有清晰的逻辑路线：

整体路线（方法设计）： 1. 似然构建：给定 \( N_t \)、\( x_{jt} \)、\( p_{jt} \)、\( \xi_{jt} \) 和 \( \beta_i \)，销量 \( q_{jt} \) 服从多项分布（每个消费者独立选择）。将 \( \xi_{jt} \) 和 \( \beta_i \) 作为潜在变量，写出完全数据似然。 2. 贝叶斯IV：对 \( \xi_{jt} \) 施加先验 \( N(0, \sigma_\xi^2) \)，并假设 \( \xi_{jt} \) 与工具变量 \( z_{jt} \) 独立（条件于 \( x_{jt} \)）。这相当于用工具变量来“解释” \( \xi_{jt} \) 中与价格相关的部分——因为 \( p_{jt} \) 与 \( \xi_{jt} \) 相关，但 \( z_{jt} \) 与 \( \xi_{jt} \) 不相关，所以后验 \( p(\beta, \xi | q, p, z) \) 会“自动”将 \( \xi \) 中与 \( z \) 正交的部分归因于价格效应。 3. MCMC采样：使用吉布斯采样（Gibbs sampling）或哈密顿蒙特卡洛（HMC）从后验中采样。关键步骤是： - 给定 \( \beta_i \) 和 \( \xi_{jt} \)，\( q_{jt} \) 的似然是多项分布，可以写出条件后验。 - 给定 \( q_{jt} \) 和 \( \beta_i \)，\( \xi_{jt} \) 的条件后验是正态分布（先验）乘以多项分布似然（非标准），需要用Metropolis-Hastings步骤。 - 给定 \( \xi_{jt} \) 和 \( q_{jt} \)，\( \beta_i \) 的条件后验可以通过数据增广（data augmentation）处理：引入每个消费者的潜在选择 \( y_{ijt} \)，然后对 \( \beta_i \) 进行条件采样。

关键跳跃点： - 从“份额反函数”到“精确似然”：这是最核心的跳跃。传统BLP用 \( \log(s_{jt}) - \log(s_{0t}) = x_{jt}'\beta + \xi_{jt} \) 来线性化模型，但小市场下 \( s_{jt} \) 的抽样误差破坏了这种线性关系。本文直接使用多项分布似然，虽然计算更复杂（需要MCMC），但避免了近似误差。 - 贝叶斯IV处理内生性：传统贝叶斯方法假设外生性（\( \xi \) 与 \( p \) 独立），但本文通过工具变量 \( z \) 来“控制” \( \xi \) 的分布。具体地，在MCMC中，\( \xi_{jt} \) 的条件后验依赖于 \( z_{jt} \)（因为先验假设 \( \xi_{jt} \) 与 \( z_{jt} \) 独立，所以后验中 \( z_{jt} \) 通过似然中的 \( p_{jt} \) 间接影响 \( \xi_{jt} \) 的估计）。这相当于用贝叶斯方式实现了IV回归。

技术技巧点名： - 数据增广（Data Augmentation）：在MCMC中引入每个消费者的潜在选择 \( y_{ijt} \)，使得 \( \beta_i \) 的条件后验变成标准形式（正态分布乘以Logit似然），从而可以用Polya-Gamma数据增广（Polson, Scott & Windle, 2013）进行高效采样。 - Metropolis-within-Gibbs：对于 \( \xi_{jt} \) 的条件后验（非标准），使用随机游走Metropolis步骤，提议分布为正态分布，接受率通过似然比计算。 - 并行化：由于不同市场的 \( \xi_{jt} \) 在条件于 \( \beta_i \) 后是独立的，MCMC可以跨市场并行，提高计算效率。

🔎 结论是否比证明窄

本文是应用型论文，没有严格的渐近理论证明。但结论的声称范围比实际验证范围宽： - 声称：“该方法适用于小市场规模（N小）”。但模拟中只测试了N≥10，且N=10时RMSE仍然较大（约0.25），实际应用中建议N≥25。对于N<10的极端小市场，方法是否有效未经验证。 - 声称：“处理丰富的未观测异质性”。但模拟中只测试了2维随机系数（价格和飞行时长），未测试高维（如10维以上）随机系数。在高维下，MCMC的收敛性和计算时间可能成为瓶颈。 - 声称：“数据需求仅为传统市场层面数据及市场规模度量”。但市场规模 \( N_t \) 的度量本身是一个挑战——在航空例子中，作者用“总潜在旅客数的1/10”作为近似，这个近似是否合理未经过敏感性分析。如果 \( N_t \) 被误设50%，估计结果会如何？论文未讨论。

四、开放问题（点到为止，扎根具体语句）

  1. \( N_t \) 的未知性与误设：论文假设 \( N_t \) 已知或可估计（第3.1节：“we assume the researcher observes a measure of market size”）。但实际中 \( N_t \) 往往只能近似（如基于人口或容量）。开放问题：当 \( N_t \) 被误设时，估计的偏差有多大？能否将 \( N_t \) 作为额外参数（如泊松率）一起估计？这需要额外的识别条件（如重复观测或辅助数据）。

  2. 非参数异质性：论文假设随机系数 \( \beta_i \) 服从正态分布（第3.2节：“we assume \( \beta_i \sim N(\bar{\beta}, \Sigma) \)”）。开放问题：能否用贝叶斯非参数方法（如Dirichlet过程混合）放松这个假设？这可能会提高灵活性，但也会增加计算负担（MCMC在高维混合模型中的收敛性）。

  3. 动态选择与库存：论文假设每个市场独立（第2节：“each market is independent”）。但在航空例子中，消费者可能跨期选择（如提前购票 vs. 最后一刻购票），且航空公司会动态调整价格和库存。开放问题：如何将泊松到达模型扩展到动态设定（如消费者跨期搜索、价格随时间变化）？这需要建模消费者的跨期优化和供给方的动态定价策略。

  4. 计算可扩展性：论文的MCMC方法在J=10、T=100、K=2（随机系数维数）时运行时间约2小时（第5节：“estimation takes approximately 2 hours on a standard desktop”）。开放问题：当J=100（如超市产品）、T=1000（如多年数据）、K=10（如高维异质性）时，MCMC是否仍然可行？能否用变分贝叶斯（VB）或拉普拉斯近似来加速？这直接关系到方法在大规模应用中的实用性。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论