如前所述，让我们只关注高类型Sθ，并进一步假设QI对Z也是不变的。那么需求侧最优性（边际效用等于边际价格）可以写成P`（q）P`（q）=~θ\'1（q）·v（q）~θ\'2（q）·v（q）=§θ`1（q）·ω（q）ω-1~θ\'2（q）·ω（q）ω-1!, ` = 1,2.24克芳香烃溶液v（qj）表示`=1，2，并将这两个等式相等，得到∧θ（q）／∧θ（q）～θ（q）／∧θ（q）=P（q）/P（q）P（q）/P（q）！，i、 例如，类型的比率应该等于边际价格的比率，或者等价地θ（q）θ（q）=P（q）/P（q）·θ（q）P（q）/P（q）·θ（q）！。（12） 等式（12）反映了这样一个事实：当Z=zt时，为一个q支付更高边际价格的消费者必须比Z=zm时具有更高的类型∧θ（q）。所以，如果我们知道θs选择q=q（θ），当Z=Z时，我们可以使用定价函数的曲率来确定当Z=Z时选择相同q的θ。现在，考虑供应端。高级类型的分配规则是单调的（IC约束），所以我们知道：Fθ（t | 2）=Fθ（t，t | 2）=Pr（θ）≤ t、 θ≤ t | Sθ）=Pr（ρ（θ，z`）≤ ρ（t，z`）|Q）=Pr（Q）≤ ρ（t，z`）=Pr（q）≤ ρ（t，z`），q≤ ρ（t，z`）|Q）=M*`（ρ`（t）），`=1，2，其中第三个等式来自ρ（·，Z）的单调性和Z的外生性。这个关系独立于Z，它给出了以下等式：*（ρ（t））=M*（ρ（t））。因此，当Z=zareequal时，选择分布的（多元）分位数与当Z=Zρ（t）=（M）时的分位数相等*)-1[M*（ρ（t））]，（13）和自（M）*)-1.o M*（·）被识别，如果我们知道ρ（θ），我们可以识别ρ（θ）。因此，差异*)-1.o M*(ρ(τ)) - ρ（τ）），测量当Z从zto Z移动时，q的变化，同时在τ处定义q的分位数。

这种变化（13）与（12）一起可用于首先识别∧θ（·），然后v（q）作为（向量值）函数P（q）=θ（q）o v（q）。识别背后的直觉如下：从标准化θ开始≡对于某些束q=（q，q），θ（q）∈ Q、 并决定P（q），P（q），分位数τ=M*（q） ，和θ≡θ（q）来自（12）。使用（13），在Z=Z下用相同的分位数τ确定qq。然后，对于qdetermineP（q）和P（q），它可以确定θ=～θ（q）=P（q）o (P（q））-1.o θ这里，上标是束序列的索引，不应与效用函数vj（qj）=（qj）ωj混淆；θ上的上标也是如此。多维逆向选择25（与（12）相反）。然后，重复这些步骤，我们可以识别一个序列{θ，θ，…，θL，…}和相应的分位数。如果这些序列构成qt的一个稠密子集，那么函数∧θ（·）：Q×SZ→ Sθ在任何地方都被识别。我将这种直觉形式化为J≥ 下面2，从关于排除限制的假设开始。假设4。让Z∈ SZ={z，z}与θ和v（q）无关。和以前一样，消费者最优意味着P`（q）=θ`（q）ov（q），方程（12）的一般形式可以写成∧θ`（q）=P`（q）o~θ`（q）o (P`（q））-1.≡ r`，`（∧θ`（q），q）=r`，`（∧θ`（q），q）。。。rJ`，`（∧θ`（q），q）. （14） 接下来，假设4和高阶Fθ（t | 2）=M的激励相容条件*（q（t；z`）；z`）、z=1、2和henceM*`（ρ`（t））：=M*（ρ（t；z`）；z`=M*（ρ（t；z`）；z`）：=M*`（ρ`（t））。（15） 一旦我们确定了多元分位数，（15）就推广了（13）。分位数是分布函数的正确倒数，但定义多元分位数并不简单，因为RJ，J中缺乏自然顺序≥ 2.解决这个问题的一种方法是选择一个顺序（或秩）函数，并根据该顺序定义分位数。

我遵循科尔钦斯基（1997）提出的多元等式的定义；见第2节。他表明，如果我们选择一个连续可微凸函数gM（·），那么我们可以将分位数函数定义为gM（·）的某些变换的逆，表示为(（通用汽车）-1(τ) ∈ rj分位数τ∈ [0，1]。为了使这个过程有意义，必须在选择gM（·）的条件下，在分位数函数和联合分布之间存在一对一的映射。实际上，Koltchinskii（1997）表明，对于任意两个分布M（·）和M（·），相应的分位数函数是相等的(（通用汽车）-1(·) = (（通用汽车）-1（·），仅当M（·）=M（·）。此后，我假设这样一个函数gM（·）是固定的，那么（15）和（1）意味着ρ（τ）=(转基因的*)-1（M）*（ρ（τ））：=s2,1（ρ（τ）），τ∈ (0, 1). （16） 这意味着我们可以使用∧θ`（q）=r`，`（∧θ`（q），q）；ρ`（τ）=s`，`（q `（τ）），以识别∧θ`（·），对于`=1或`=2。因为对于aq，{θ≤ t | Z=Z`}等于{θ≤ r`，`（t，q）| Z=Z`}，即Pr（θ）≤ t | Z=Z`=Pr（θ）≤ r`，`（t，q）| Z=Z`），表示ρ`（r`，`（θ，q））=s`，`（ρ`（θ））；（17） 如果我们知道某个θ上的ρ`（·），那么我们就可以识别r`，`（θ，q）上的ρ`（·）。如前所述，让我们规范化v（q）=qf或某些q∈ 我们知道的类星体{q，θ=~θ（q）}。然后，这将允许我们识别{q，{θ（q）}，其中q=s1,2（q）和!θ（q）=r2,1（θ，q），这将进一步识别{q，!θ（q）}与q=s1,2（q）和!θ（q）=r2,1（!θ（q），q）等等。为了完成识别，我们必须从任何分位数ρ（τ）开始∈ Qand识别∧θ（ρ（τ）），可能通过构建上述序列。要做到这一点，我们可以利用假设4，这意味着对于一些θ差（θ- r2,1（θ，q））测量从zto zf切换到固定q时θ的变化，这样我们可以在来回移动zand z的过程中跟踪θ（·）。

但对于识别而言，重要的是这些“追踪”步骤停止，或者相当于某些（固定点）^q∈ Qthe映射（θ（·）- r2,1（θ，·））=0。因此，^q的边际价格是相等的就足够了(P（^q）=P（^q））。由于这是一个多维问题，固定点是吸引的（稳定的）也是很重要的，对于这一点，r`，`（·）（见（14））的所有J分量的斜率仅取决于qj>^qjor，而不管J是什么。假设5。存在一个^q∈ 例如r`，`（θ（q），^q）=θ（q）和sgn[（rj`，`（qj）- qj）（qj）- ^qj）]独立于j∈ {1，…，J}。假设5的两个组成部分都是技术假设，但它们是可测试的，因此可以从数据中验证。D\'Haultfoeuille和Foeevrier（2011）曾使用该假设来识别具有离散仪器和多变量误差的不可分离模型。在不丧失一般性的情况下，我假设初始归一化为固定点^q，因此θ=^θ（^q）是已知的。换句话说，θ等于q（θ，z）=^q。根据假设，我们也可以标准化Fθ（·）的一些分位数。我要感谢泽维尔·德豪特·乌伊勒指出了我与之之间的联系。假设多维逆向选择274P（q）o P（q）-1<<1，每当q<<^q。

然后，对于τthquantileq（τ）<^q:^θ（τ）：=（q）-1（q（τ）；z） =θ（q）=r1,2（θ（q），q）=[P（q）o P（q）-1] o~θ（q）=[P（q）o P（q）-1] o [r1,2（∧θ（q），q）]=[P（q）o P（q）-1] o [P（q）o P（q）-1] o [r1,2（∧θ（q），q）]…=rL[°θ（sL1,2（q（τ））），sL1,2（q（τ））]=limL→∞[P（q）o P（q）-1] o · · · o [P（qL）o P（qL）-1] o [r1,2（∧θ（qL+1），qL+1）]=(∞YL=1P（qL）o P（qL）-1） 极限→∞θ（s1,2（qL+1））=(∞YL=1P（qL）o P（qL）-1） 极限→∞θ、 （18）如果第一个等式只是定义，第二个等式是标准化，第三个等式从（17）开始，q:=s1,2（q=ρ（τ）），因此∧θ（q）=r1,2（∧θ（q），q），第四个等式从（14）开始。重复这个过程L次，得到第七个等式。最后一个等式使用以下事实：a）qL=s1,2（qL-1); b） q（τ）<^q；c） s1，2（·）是一个递增的连续函数→∞s1,2（qL）=s1,2（q∞) = s1,2（^q）；d）^θ（^q）=θ。由于分位数τ是任意的，所以我们确定了∧θ（·）。一旦θ的分位数函数被识别，我们就可以像以前一样识别C（·Z）。最优性条件α（θ）=0（方程（7））和方程（9）给出了M*k（q）| det（D|θk）（q）|（|θk（q）v（q）- C（q；zk））= -M*（q） | det（D)θ（q）|。微分θko v（q）=关于q的Pk（q）Pk（q）=Dθk（q）o v（q）+θk（q）o Dv（q）Dθk（q）o v（q）=DPk（q）-θk（q）o (v（q））o (v（q））-1.o Dv（q）Dθk（q）=DPk（q）o (v（q））-1.- Pk（q）o (v（q））-2.o Dv（q）表示| det（D)θ）（q）|。然后，在上述给定的iv中替换| det（D θ）（q）|M*（q） |det（D)θ（q）|(P（q）- C（q））= -M*（q） |det（D)θ（q）|，28 G.ARYAL（C（·zk）的偏微分方程），带边界条件m*k（q）| det（Dθk）（q）|(C（q；zk）- Pk（q））·-→n(Pk（q））=0，Q∈ 这个偏微分方程有一个唯一的解C（Q），因此，我们得到以下结果：定理4.3。

在假设1-（i）-（iv-c）和（v）以及假设2-5下，[Fθ（·| 2），v（·），c（·；Z）]被识别。为了识别密度Fθ（·| 1），我们可以使用定理4.2，除了现在的粗糙度函数isPj∈[J] θjX1jvj（qj，X）。因此，为了解释v（·，X），我们需要能够从Qto Q扩展效用函数∪ Q.对于识别策略，如果v（·）是一个真正的分析函数，比如成本函数，那么我们可以扩展v（·）的范围，以包括Q.假设6。设效用函数v（·，X）为实解析函数。然后，在假设6下，我们可以将测量单位从q改为q≡ v（q，X），然后应用定理4.2和总效用asPj∈[J] θjXjqj。4.4. 过度识别。既然我们知道识别取决于我们有多少成本转移因素，以及价格函数交叉的梯度是否存在，下一步就是分析观察到的特征对识别的影响。在我们开始之前，让我们假设非线性效用模型已识别。然后我问以下问题：如果效用函数依赖于X，且X独立于θ，那么模型是否过度识别？引理3。考虑高类型Sθ的最优分配规则，其中q=ρ（θ，X，z`）：=ρ`（θ，X）。假设Fθ（·| 2）和Mq | X，Z（·|·，·）有单位秒矩。然后CDFθ（·| 2）被过度识别。从之前的结果来看，Fθ（·2）和Mq | X，Z（·X）是非参数的。由于观察到了Z，我们可以抑制符号。我们想要使用数据{q，X}，Fθ（·| 2）和截断分布的知识*q | X（·| X）表示ρ（·，X）。设L（Sθ，Q）是联合分布L（Q，θ）的集合，边缘定义为ZθL（Q，θ）dθ=M*q | X（q |·）；ZQXL（q，θ）dq=Fθ（θ| 2）。

（19） 为此，考虑以下优化问题：minL（q，θ）∈LE（| q）- θ| | X）。多维逆向选择29换句话说，给定两组等体积的Sθ和QxO，我们想找到它们之间的最优体积保持映射，其中最优性是根据成本函数|θ来衡量的- q |。如果观察到q∈ 如果在平衡状态下生成q，那么解将把q映射到右θ，这样对于固定的X，q=ρ（θ；X）。最小化问题等价于tomaxL（q，θ）∈LE（θ·q | X），使得解最大化θ和q之间的（条件）协方差。当我们最小化二次距离或协方差时，我们的目标是找到将q“传输”到θ的最佳方法。设δ[·]为dirac测度或退化分布。Brenier（1991）和McCann（1995）证明了存在唯一的凸函数Γ（q，X），使得dL（q，θ）=dM*q | X（q）δ[θ=qΓ（q，X）]是解决方案。因此对于所有的q∈ QXwe确定其逆θ=qΓ（q，X），表示Fθ（·2）。因此，我们可以用Γ（q，X）来检验供给侧均衡的有效性。有很多方法可以考虑“规格测试”一种方法是通过使用方程（4）中的qΓ（q，X）（而不是θ）导致相同的平衡ρ（θ；X）。模型限制在本节中，我分别推导了假设1-（iv）–a、b和c下模型对观测值施加的限制。这些限制可用于测试模型的有效性。对于我们观察到的每一个代理人[pi，qi，Xi]，对于卖方我们观察到{z，z}。根据p=p`（q，z`）和q=ρ`（θ，z`）给出的模型。具体来说，假设研究人员观察到一系列价格和数量数据，以及一些代理和成本特征。

当效用函数满足假设1-（iv-a）（模型1）、假设1-（iv-b）（模型2）或假设1-（iv-c）（模型3）时，是否存在使数据合理化的可能性，从而使基础筛选模型是最优的？在所有三个模型中，我们都会问，在多维不对称信息存在的情况下，数据序列（Z，Xi，{qi，pi}）的限制是什么？只有当数据是由最优筛选模型生成时，我们才能测试ifand，而不知道成本函数、类型分布，对于模型3，效用函数？我们认为，当且仅当模型满足模型的所有限制条件时，可观测数据的分布才被模型合理化。换句话说，当且仅当模型中存在产生这种分布的结构（无必要）时，30 G.Aryal的分布是合理的。设D=（q，p），D=（q，p，X），D=（q，p，X，Z）分别分布为ψD`（·），`=1，2，3，和letM={（Fθ（·），C（·））∈ F×C：满足假设1- （一）- （四）- a） ，（v）}M={（Fθ（·），C（·））∈ F×C：满足假设1- （一）- （四）- b） ，（v）}M={（Fθ（·），C（·，Z））∈ F×CZ：满足假设1- （一）- （四）- c） 定义以下条件：C1。ψD（·）=δ[p=p（q）]×M（q），所有q的密度M（q）>0∈ Q∪ 问题2。有一个子集Q（Q是J）- 1维平面（超平面），单位为RJ+。C3。p=p（q）具有非消失梯度，且所有q均为Hessian∈ 问题4。让{W}={P（q）：q∈ Q} 。那么FW（w）=Pr（w≤ w） =M*（q） 让我*（·）>0是M的密度*（·）C5。设C（·）为微分方程的解M*（q） | det（D）P（q））|(P（q）- C（q））= -M*（q） | det（D）P（q））|，（20）带边界条件*（q） | det（D）P（q））|(C（q）- P（q））·-→n(P（q））=0.5.1。线性效用。

对于我们观察到的每个消费者，我们的目标是确定联合分布ψD（·，·）的必要和充分条件，以便通过模型M.引理5.1使其合理化。如果M将ψD（·）国有化，则ψD（·）满足条件C1。-C5。相反，如果已知Fθ（·0）和Fθ（·1），且ψD（·）满足C1。-C5然后有一个生成D证明的模型。如果因为Fθ（·）是这样的，密度Fθ（·）>0在Sθ和平衡分配规则ρ：Sθ上→ Q是连续的，df M（Q）定义良好，密度M（Q）>0。此外，由于平衡分配规则是确定性的，对于每个q，只有一个priceP（q），因此狄拉克测度完成了C1。Rochet Chon’e表明，在平衡状态下，聚束集QI是非空的，因此对于allq，m（q）>0∈ Q.此外，分配规则ρ：Sθ→ QI不是双射的，作为多维逆向选择31a结果，QA是RJ+的一个子集，完成C2。完美屏蔽类型的最佳条件为θ=P（q）：=θ（q），激励相容性意味着间接效用函数是凸的，因此P（q）具有非消失梯度和Hessian，从而完成C3。然后，我*（q） =Pr（q）≤ q） =公共关系(P（q）≤ P（q））=Pr（W≤ w） =FW（w），因此为C4。最后，如果我们用（9）替换α（θ）=0中的fθ（·），θ ∈ Sθ的边界条件β（θ）=0，θ ∈ Sθ∩ θ等于C5。只有现在，我们证明如果ψD（·）满足所有C1。- C5。然后我们可以确定一个使ψD（·）合理化的模型。假设C（·）满足C5，那么我们就可以确定成本函数C（·）。此外，它是实分析的，所以它可以唯一地扩展到C4中的所有Q。我们可以确定向量W，也就是θ类型，它满足一阶最优性条件。

因此，与选择q相对应的θ型的间接效用∈ QI是凸的，因此满足激励相容约束。此外，由于*（q） 密度fθ（·2）>0和fθ（·2）=Rθ∈{W:=P（q），q∈Q} fθ（θ| 2）dθ。就Fθ（·| 1）而言，我们可以忽略聚束，定义Fθ（θ）=M（q | q）∈ Q） 式中θ=P（q）。5.2. 双线性效用。现在我考虑双线性效用函数的情况。由于Xis是冗余信息，我们可以忽略它。这个模型和之前的模型唯一的区别是现在有X。所以为了保存更多的符号，我稍微滥用了符号，使用了相同的条件C1。- C5。，除了现在，它们是关于D的，例如C1。变成ψD（·）=δ[p=p（q；X）]×M（q）×ψX引理5.2。如果M将ψD（·）国有化，则ψD（·）满足条件C1。-C5。相反，如果Fθ（·| 0）已知，则dim（X）=dim（q）=J和ψD（·）满足C1。- C5然后有一个生成D的模型Mt。这个引理的证明与引理5.2非常相似，除了在这里菜单（分配和价格）依赖于Xb，但成本函数和类型CDF不依赖，条件密度fθ（·1）可以从数据中确定。考虑到篇幅，我省略了证据。5.3. 非线性效用。最后，我考虑非线性效用的情况。在继续之前，我再介绍两个条件。补体第四成份。如果ρτ（X，Z）是τ∈ q的[0,1]分位数∈ QX，Zthenρτ（·z）=ρτ（·z）。C6。选择M的截断分布*q | X，Z（·|·，·）具有有限的二阶矩，32 G.ARYALand，对于给定的Z=Z`（此后被抑制）MAXL（q，θ）的解∈L（Q，Sθ）E（θ·Q | X），其中L（Q，Sθ）如（19）所定义，由映射θ=对于一些凸函数Γ（q，X），求出了最优性条件（4）。对于非线性效用，条件C4。

替换条件C4。，与双线性效用一样，在适当的情况下，这些条件应该被解释为同时存在于X和Z上。引理5.3。设Fθ（·| 2）有有限的二阶矩。如果M将ψD（·）国有化，则ψD（·）满足C1。- C3。，补体第四成份。- C7。相反，如果Fθ（·| 0）和分位数θ（qτ）已知，则dim（X）=dim（q）=J，QX，zk=QX，zk（公共支撑）和ψD（·）满足C1。- C3。，补体第四成份。- C6。，然后存在一个合理化ψD（·）的模型。证据如果CDF是Fθ（·），在支承θ上，密度Fθ（·）>0。此外，平衡分配规则ρ：Sθ×X×Z→ 对于给定的（X，Z），Q是连续的。因此，CDF Mq | X，Z（·|·，·）是给定（X，Z）的Fθ（·）的前推。因为Q=Q（X，Z）∪ Q（X，Z）∪ {q} 所有q的（截断）密度q | X，Z（q |·，·）>0∈ Q（X，Z）∪Q（X，Z）。在均衡状态下，对于给定的（q，X，Z），定价函数是确定性的，因此分布是退化的atp=P（q；X，Z），即狄拉克测度。这就完成了C1。指挥控制系统。请注意，分配规则不是双射的，因此ρ（Sθ；X，Z）=Q（RJ+是一个超平面。对于高级类型，优化要求边际效用θ·v（Q；X）等于边际价格P（Q；X，Z），并且由于v（·X）具有非零Hessian，P（·X，Z）也具有非零梯度P（·；X，Z）和Hessian，完成C3。由于Zθ，使用方程（15）给出了C4所需的Fθ（ξ| 2）=Mq | X，Z（ρ（ξ）|X，Z）=Mq | X，Z（ρ（ξ）|X，Z）。条件是C5。一旦我们替换了m*（·）和P（q）in（20）和m*q | X，Z（·|·，·）和P（q；X，Z），并观察到对于任何对（X，Z），高类型的平衡由α（θ）=0给出。因为Fθ（·| 2）已知，M*q | X，Z（·）在条件C6下确定。遵循引理3。只有我们想证明，如果ψD（·）满足声明中的所有条件，那么我们可以构造一个模型，使ψD（·）合理化。

对于Z=zk，使用条件C6。我们可以确定两个成本函数C（·，z）和C（·，z）。由于（20）只适用于QX，Z，我们需要扩展costfunction的域。在许多扩展域的方法中，最简单的是假设代价是二次的，即对于所有的q，C（q；X，Z）=1/2PJj=1Qjj∈ QX，Z∪ {q} 。多维逆向选择33使用排除限制和（18）所有q∈ QX，Z，我们可以沿着一个集合QX，Z来确定函数∧θ（qτ；Z=zk） QX，zfork=1，2。如果集合QX，zi是一个稠密子集，那么在所有的QX，Z上有一个唯一的扩展θ（·；·）。如果不是，那么，让我们线性扩展函数到QX，Z的整个域。然后，定义v（q；X）=P（q；X，Z）o （θk（q））-1.最后，为了将函数扩展到Q，我们可以假设每个函数vj（qj；X）=q1/2j，j=1，JQ适用于所有人∈ QX，Z∪ {q} 。就Fθ（·| 1）而言，我们可以简单地忽略聚束，定义Fθ（θ）=M（q | q）∈ Q） Q在哪里∈ qi使得θ=P（q；X，Z）o （五（十）-1.由于q={q}的概率∈ QX，Zand q∈ QX，Zis等于θ的概率∈ Sθ，θ∈ Sθ和θ∈ Sθ，我们可以分别确定Fθ（·）。然后就可以直接验证这样构造的triple是否属于M。6.讨论。1.未被观察到的味觉转移。到目前为止，我假设消费者的口味完全由向量θ表示。但是，假设存在一个不可观察的市场级味觉转移因子Y，它可以衡量所有消费者的味觉，因此，所有消费者和卖家都可以观察到它，而不是计量经济学家。假设7。设（1）随机变量（θ，Y）根据CDFθ，Y（·，·）分布在Sθ×R++上，使得Pr（θ≤ θ、 Y≤ y） =Fθ，y（θ，y）。（2） 让θ*:= Y×θ等于θ*~ Fθ*|Y（·| Y）=Fθ*（·）和E（对数Y）=0。让我们θ*|请注意那些经过完美筛选的类型。

然后，在假设7下，这些类型的最优性意味着θ*我=P（qi），和自θ*i=θiy，i∈ [N] ，我们想从上面识别Fθ（·）和FY（·）。将[N]分成两部分，重新索引{1，…，N}和{1，…，N}并取上面的对数，我们得到logθ*ij=logθij+log Y，ij=1。N2j，j=1，2。设Ch（·，·）是（logθi，logθi）的联合特征函数，Ch（·，·）是该特征函数对FirstComponent的偏导数。类似地，让Chlog Y（·）和Chlogθj（·）表示log Y和logθj的特征函数，这是θij，ij的缩写∈ [N2j]。然后来自科特拉斯基（1966）：chlogy（ξ）=expZξCh（0，t）Ch（0，t）dt- 当Chlogθ（ξ）=Ch（ξ，0）Chlog Y（ξ）的特征函数识别Fθ（·）。引理6.1。在假设7下，确定了具有未观察到的异质性的模型[Fθ（·）、FY（·）、C（·）、v（·）]。6.2。测量误差。到目前为止，我们假设计量经济学家观察转移和契约特征时没有错误。这种假设在某些环境下可能很强。有时很难衡量转移（工资、价格等），有时很难衡量合同的不同属性。例如，如果一个垄断企业销售不同的产品，那么该产品的某些属性（如果不是全部的话）可能会被测量出误差。在本小节中，我们允许对数据进行误差测量。6.2.1. 价格测量误差。我首先考虑的是只有交易被错误衡量的情况，然后考虑的是只有合同选择被错误衡量的情况。如果只对价格进行加性误差测量，并且误差与真实价格无关，那么模型仍然是确定的。这背后的直觉很简单。

当没有误差地观察到股票{q}，但只有价格有误差时，如果这个误差是可加分离的，并且与真实价格无关，即Pε（q）=P（q）+ε，P（q）ε，那么观察到的边际价格Pε（·）与真实边际价格P（·）是相同的，这意味着之前的识别参数仍然适用。引理6.2。如果观察到{Pε=P+ε}，其中P是价格，Pε是测量误差，则识别模型参数[Fθ（·），C（·）]。6.2.2。选择中的测量误差。现在考虑一个例子，在这个例子中，choicesq被错误地观察到。此外，假设存在一维误差η∈ R+影响所有J特性。换句话说，我们假设每个消费者有一个η，而不是选择QI，我们只测量qη=q+η·1，其中1是J- 一的维度向量。由于没有理由认为每个分量q都应该有一个与之相关联的唯一测量误差，因此在这种环境下，每个消费者选择都有一个唯一的误差似乎更自然。我们还假设ηq和η~ Fη（·）。然后，对于θ类型的每个消费者，数据是{P，qη}对∈ Sθ。那么P=P（q）=P（qη- η·1）意味着P（q）6=P（qη），这意味着如果不校正η，味觉参数θ就无法识别。遵循多维逆向选择35和引理6.1相同的逻辑，我们可以识别Fη（·），但这仍然不意味着我们可以识别θ，因为我们有J+1未知数，每个消费者只有J方程。引理6.3。如果观察到{qη=q+η·1}，其中ηq是测量误差，则无法识别模型[Fθ（·），C（·）]。未观察到的产品特性。在本节中，我扩展了线性实用新型，以考虑未观察到的产品特性。

假设我们观察到两个束q和QQ，其中前者支配后者q>>和P（q）≤ P（q），两者都有积极的需求。这种模式表明，要么模型不合适，因此我们可以拒绝Rochet Chon’emodel作为数据生成过程的良好描述，要么数据中缺少某些产品特征。让我来∈ R+表示仅由消费者和销售者观察到的特性，并让θYb表示消费者对该特性的态度。当（新）类型（θ，…，θJ，θy）选择{q}时的净效用∪ {Y}丛和P由v（q，Y；θ，θY）=θ·q+θY给出- P.引入Y可以用q和q来合理化上述异常，因为消费者正在比较（q，~Y）和（q，~Y），而不仅仅是q和q，这导致了以下计量经济学模型：P=P（q，~Y）qY！=ρ（θ，…，θJ，θy，Fθ，θy，C），（21）其中（y，P（·，·），Fθ，θy（·，·），C（·））未知。由于产品特性是内生的，观察到的产品特性与未观察到的特性相关，因此在没有进一步限制的情况下无法识别模型。例如，Bajari和Benkard（2005）考虑了一维未观察到的产品特征，如上所述，但仅在以下限制下：θy≡ 1.所有消费者都以同样的方式重视缺失的特征；和Yq，因此缺失的特征是外生的。可以看出，这两个假设在产品特征是内生的，消费者偏好异质性包括对缺失特征的异质性的情况下，都太强了，没有用处。36克芳香族6。4.离散选项。识别参数依赖于观察消费者的许多选项的连续性（或连续性）。

这不是我的消费，而是卖家最大化问题的结果：卖家越能辨别，收入就越好，只要它尊重激励性的兼容性约束。在某些情况下，我们可以观察到离散（非常少）的选项（威尔逊，1993），但该理论没有说明为什么卖家会提供更少（少于最佳数量）的选项，而不会对消费者类型空间施加任意大小的限制。如果setQ是离散的，但Θ是连续的，则识别结果不适用。如果没有一个理论模型来合理化供给侧，我将不得不求助于使用某种形式的排除限制来进行识别。例如，我们可以利用消费者特征的变化来扩展定理4.2，从而识别f（θ| 1）和f（θ| 2），而不是成本函数，这似乎是安全的。鉴于该理论中的这一缺陷，研究人员已经开始估算使用更简单的合同产生的报酬损失，并发现在某些情况下损失很小。例如，Chu、Leslie和Sorensen（2011）发现，使用两部分塔里夫而不是多部分塔里夫的收益很小。如果提供简单（或很少的选项）的损失不太大，但如果提供多个选项存在“menucost”（因为没有更好的术语），那么提供较少的选项对卖方来说可能是最佳的。这样的menucost可以作为营销成本的代表——卖出10个期权比卖出50个期权更容易，也更便宜。尽管这一观点是直观的，但尚不清楚如何在多维不利选择环境中使菜单成本可操作，并实现点识别。

这方面的研究非常少，因此不清楚哪种菜单成本会对数据中的选项的确切数量产生准确的预测。在上面的讨论中，有限或离散选项指的是选项确实很少的情况。如果卖方提供了许多离散选项，那么我们可能能够拟合一个连续函数来“填补缺口”，并将拟合函数视为一个连续的均衡结果，并应用之前的结果。例如，Aryal（2013）观察了200多个AD选项，并建立了一个非线性塔里效应函数，并将其用于识别。类似地，在图1的电信市场中，如果我们将产品定义为语音数据和短信的事后使用捆绑，那么我们可以利用事后使用中的异质性，将选项视为连续的。多维逆向选择37正确的方法取决于市场和数据的性质，以及我们是否希望放弃点识别而支持部分识别。例如，在多单元拍卖中，投标人通常会提交非常少的步骤，Kastl（2011年），以及最近的Cassola、Horta,csu和Kastl（2013年）认为，这可能是因为投标人在提交具有更多步骤的投标时会产生额外成本。然而，考虑到投标提交成本，他们的模型只能部分识别。研究theRochet Chon’e模型的点识别失败以及提供多个选项的成本是一个重要且具有挑战性的问题，需要进行超出本文范围的处理。7.

结论在本文中，我研究了Rochetand Chon’e（1998）研究的筛选模型的识别，其中消费者拥有多维私人信息。我证明，如果效用是线性或双线性的，就像经验产业组织文献中经常使用的那样，那么我们可以利用供给侧和需求侧的最优性来非参数地确定多维非服务消费者口味分布和卖方的成本函数。识别的关键是利用不可观测类型和可观测选择之间的均衡双射，以及在均衡状态下，消费者将选择一个将边际效用等同于边际价格的捆绑。然而，当私有信息是多维的时，分配规则不必对所有类型都是双目标的。对于那些聚集在一起的中等类型，我表明，如果我们有独立于类型的消费者社会经济和人口统计特征的信息，并且如果有与产品一样多的此类特征，则可以识别类型的联合密度。当效用是非线性的时，有一个二元和外生成本转移器就足以进行识别。我还表明，对于非线性效用，如果我们有独立的消费者特征，那么模型是过度识别的，这可以用来测试供给侧最优的有效性。据我所知，这是第一次提供一种方法来测试委托代理模型中平衡的最优性的研究。此外，我还描述了模型对数据的所有可测试限制，并将识别扩展到考虑测量误差和未观察到的异质性。未来扩展的一个领域是允许多个卖家，例如克劳福德和尤鲁科格鲁（2012）的有线电视市场，其中38 G。

ARYALconsumers对多个渠道的偏好是私人信息，如上所述，研究观察离散选项对识别的影响。就像离散期权的问题一样，竞争也存在困难，即使是一维私人信息；见爱泼斯坦和彼得斯（1999）；Martimort and Steel（2002）；杨和叶（2008）。Laffont、Maskin和Rochet（1987年）提出了一种聚合技术，Ivaldi和Martimort（1994年）以及Aryal（2013年）在经验设置中使用了该技术，但只能用于二维类型。另一种方法是使用与Bresnahan（1987）相似的广义霍特林模型（Rochet and Steel，2002；Bonatti，2011），如果我们能像Bresnahan（1987）一样找到多维产品特征的一维（享乐）聚合器。就估计而言，很容易看出，当效用函数在产品质量中是非线性的时，唯一的困难是。当效用是线性或双线性时，（非参数）估计是直接的，只要注意估计量的渐近性质，因为涉及多个步骤，以及傅里叶反演的带宽选择。尽管如此，这一领域仍有许多工作要做，包括非线性效用的识别和估计，我希望这篇论文能提供一些有用的见解，让我们了解如何将一个看似复杂的模型“转化为”数据。参考萨克洛夫G.A.（1970）：“柠檬市场：质量不确定性和市场机制”，《经济学季刊》，84（3），488-500。阿姆斯特朗（1996）：“多产品非线性定价”，计量经济学，64，51-75。Aryal，G.（2013）：“竞争性非线性定价的实证分析”，工作论文。Aryal，G.，S.Grundl，D.-H.Kim和Y。

朱（2015）：“首次价格拍卖中模糊性的经验相关性”，工作论文。Aryal，G.，I.Perrigne和Q.H.Vuong（2015）：“多维筛选保险模型的识别”，工作论文。Bajari，P.和C.L.Benkard（2005）：“具有异质消费者和未观察到的产品特征的需求估计：一种享乐主义方法”，《政治经济学杂志》，113（6），1239-1276。Baron，D.（1989）：“监管机制和制度的设计”，《工业组织手册》，R.Schlamensee主编，R.Will，多维逆向选择第39卷。二、 第1347-1448页。阿姆斯特丹北荷兰。贝里，S.，J.莱文松和A.帕克斯（1995）：“市场均衡中的汽车价格”，计量经济学，63（4），841–890。Berry，S.T.（1994）：“产品差异化离散选择模型的估计”，《兰德经济学杂志》，25（2），242–262。Berry，S.T.，A.Gandhi和P.A.Haile（2013）：“需求的关联替代和可逆性”，计量经济学，81（5），2087–2111。Bonatti，A.（2011）：“品牌特有的质量品味”，国际工业组织杂志，29（5），562-575。Bracewell，R.N.（1956）：“射电天文学中的条带积分”，《澳大利亚物理学杂志》，9（4），198-217。（1990）：“数值变换”，科学，248697-704。Brenier，Y.（1991）：“向量值函数的极因子分解和单调重排”，《纯粹和应用数学通讯》，44375–417。Bresnahan，T.F.（1987）：“美国汽车工业中的竞争和共谋：1955年的价格战”，《工业经济学杂志》，35（4），457–482。Carlier，G.（2001）：“逆向选择主要代理问题的普遍存在性结果”，《数理经济学杂志》，35129-150。N.卡索拉、A.霍塔克,苏和J。

Kastl（2013）：“从欧洲央行短期基金拍卖的角度看2007年的次级市场危机”，经济计量学，81（4），1309–45。Chen，X.，V.Chernozhukov，S.Lee和W.K.Newey（2014）：“非参数和半参数模型的本地化”，计量经济学，82（2），785–809。Chernozhukov，V.，A.Galichon，M.Hallin和M.Henry（2015）：“Monge Kantorovich深度，分位数，等级和符号”，工作文件。Chernozhukov，V.，A.Galichon，M.Henry和B.Pass（2014）：“多属性享乐均衡模型的单一市场非参数识别”，工作论文。Chiappori，P.-A.和B.Salani\'e（2000）：“保险市场中信息不对称的测试”，《政治经济学杂志》，108（1），56-78。Chu，S.，P.Leslie和A.Sorensen（2011）：“捆绑规模定价作为混合捆绑的替代品”，《美国经济评论》，101（1），40 G.ARYAL263–303。Cohen，A.和L.Einav（2007）：“根据免赔额选择估计风险偏好”，《美国经济评论》，97（3），745-788。克劳福德，G.S.和A.尤鲁科格鲁（2012）：“多频道电视市场捆绑的福利效应”，《美国经济评论》，102301–317。D\'Haultfoeuille，X.和P.Foeevrier（2011）：“用离散仪器识别非可压缩三角形模型”，CREST工作论文。（2015）：“用离散工具识别非可预测三角模型”，计量经济学，83（3），1199–1210。Einav，L.，A.Finkelstein和M.R.Cullen（2010）：“利用价格变化估计保险市场的福利”，《经济学季刊》，125（3），877–921。埃克兰，I.，J.赫克曼和L.内斯海姆（2002）：“识别享乐模型”，《美国经济评论》，92（2），304–309。（2004）：“享乐模型的识别和估计”，《政治经济学杂志》，第112、60–109页。爱泼斯坦、L.G.和M。

彼得斯（1999）：“竞争机制的揭示原则”，《经济理论杂志》，88119-160。埃文斯·L·C.（2010）：偏微分方程。AMS，第二edn。Fan，Y.（2013）：“所有权整合和产品特征：美国日报市场研究”，《美国经济评论》，103（5），1598-1628。Figalli，A.，Y.-H.Kim和R.J.McCann（2011）：“多维筛选什么时候是凸规划？”经济理论杂志，146454-478。Finkelstein，A.和K.McGarry（2006）：“私人信息的多个维度：来自长期护理保险市场的证据”，AmericanEconomic Reveiw，96（4），938–958。Fox，J.T.和A.Gandhi（2013）：“多项式选择模型中随机系数的非参数识别和估计”，Mimeo。Fox，J.T.，K.il Kim，S.P.Ryan和P.Bajari（2012）：“随机系数逻辑模型已确定”，《计量经济学杂志》，166，204–212。多维逆向选择41Fujimoto，T.和C.Herrero（2000）：“非线性映射的一价定理：基本方法”，《冈山经济评论》，31（4），277–283。Gautier，E.和Y.Kitamura（2013）：“随机系数二元选择模型中的非参数估计”，计量经济学，81（2），581-607。Gayle，G.-L.和R.A.Miller（2014）：“识别和测试管理层薪酬模型”，《经济研究评论》，即将出版。Guerre，E.，I.Perrigne和Q.Vuong（2009）：“排除限制条件下首次价格拍卖中风险规避的非参数识别”，计量经济学，77（4），1193–1227。Heckman，J.，R.L.Matzkin和L.Nesheim（2010）：“非参数计量定义和非加性享乐模型的估计”，计量经济学，78（5），1569-1591。Helgason，S.（1999）：氡变换。波士顿Birkhauser，第二版。伊瓦尔迪，医学博士和医学博士。

Martimort（1994）：“非线性定价下的竞争”，《经济与统计年鉴》，34,71-114。N.Joskow和N.Rose（1989）：《产业组织手册》，R.Schlamensee和R.Will主编，第二卷，1449-1506页。Jovanovic，B.（1989）：“多重均衡模型的可观察影响”，计量经济学，57（1431-1437）。Kachurovksii，I.R.（1960）：“关于单调算子和凸泛函”，Uspekhi Mat。Nau，215-215（K）。Kantorovich，L.V.（1960）：“组织和规划生产的数学方法”，管理科学，6（4），366-422。Kastl，J.（2011）：“可分割商品拍卖中的离散出价和经验推断”，《经济研究评论》，78974-1014。Koltchinskii，V.I.（1997）：“M-估计、凸性和分位数”，《统计学年鉴》，25（2），435-477。Koopmans，T.C.和O.Riersol（1950）：“结构特征的识别”，《数理统计年鉴》，2165-181。Kotlarski，I.（1966）：“关于希尔伯特空间中概率分布的一些特征，”Annali di Mathematica Pura ed Applicata，74（1），129–134。Laffont，J.-J.（1994）：“十年后监管的新经济学”，《计量经济学》，第62507–537.42页。G.ARYALLaffont，J.-J.和D.Martimort（2001）：激励理论：委托代理模型。普林斯顿大学出版社。Laffont，J.-J.，E.Maskin和J.-C.Rochet（1987）：“具有二维特征的最优非线性定价”，摘自《信息、激励和经济机制》（纪念列奥尼德·赫维茨的论文），byT主编。格罗夫斯，R.拉德纳和S.雷特，第256-266页。明尼阿波利斯大学。Laffont，J.-J.和J.Tirole（1993）：采购和监管中的激励理论。麻省理工学院出版社。兰开斯特，K.J.（1971）：消费者需求：一种新方法。哥伦比亚大学出版社，纽约。Liese，F.和K-J。

Miescke（2008）：统计决策理论，估计测试和选择，统计学中的Springer系列。斯普林格。Luo，Y.，I.Perrigne和Q.Vuong（2012）：“多产品非线性定价：移动语音服务和短信”，Mimeo。Martimort，D.和L.A.Steel（2002）：“公共机构博弈中的启示和授权原则”，经济计量学，70（4），1659-1673。Matzkin，R.L.（2003）：“非加性随机函数的非参数估计”，计量经济学，71（5），1339–1375。McCann，R.J.（1995）：“单调测度保留映射的存在性和唯一性”，杜克数学杂志，80309–323。W.K.Newey和J.L.Powell（2003）：“非参数模型的工具变量估计”，计量经济学，711565-1578。Parthasarathy，T.（1983）：关于整体单价定理。斯普林格。Perrigne，I.和Q.H.Vuong（2011）：“具有逆向选择和道德风险的契约模型的非参数识别”，计量经济学，79（5），1499–1539。Pioner，H.M.（2009）：“多维筛选模型的半参数识别”，Mimeo。Rochet，J.-C.（1987）：“准线性环境下合理化的必要和充分条件”，《数学经济学杂志》，16（2），191–200。Rochet，J.-C.和P.Chon\'e（1998）：“熨烫、清扫和多维尖叫”，经济计量学，66（4），783-826。Rochet，J.-C.和L.A.Steel（2002）：“随机参与约束下的非线性定价”，经济研究综述，69277-311。《多维行为学与非参数选择研究》，2004年《斯堪的纳欧非参数选择研究期刊》，第4367页。Rothenberg，T.J.（1971）：“参数模型中的识别”，计量经济学，39（3），577–591。罗斯柴尔德，M.和J。

斯蒂格利茨（1976）：“竞争性保险市场的均衡：关于不完全信息经济学的论文”，《经济学季刊》，90629-650。斯宾塞，M.A.（1973）：《就业市场信号》，经济学季刊，87（3），355-374。Stiglitz，J.（1977）：“垄断竞争和最佳产品多样性”，《经济研究评论》，44（3），407-430。《使用小型工具的政府识别》（2015年，第1197页）：“使用小型工具的政府识别”（第1185页）。瓦里安·H·R.（1985）：《价格歧视与社会福利》，美国经济评论，75（4），870-875。威尔逊·R.（1993）：非线性定价。牛津大学出版社。杨浩和叶立军（2008）：“非线性定价、市场覆盖和竞争”，《理论经济学》，第3123-153页。