[论文解读] Structural Estimation of Matching Markets with Transferable Utility

Alfred Galichon, Bernard Salanié|arXiv (Cornell University)|Jan 1, 2020

Game Theory and Voting Systems参考文献 14被引用 1

一句话总结

本文提出了一种针对具有可转移效用的一对一分配市场结构估计方法，利用凸优化与最优传输理论，从观测到的匹配模式中识别联合收益函数。在可分性和对数型不可观测异质性的假设下，该方法实现了识别，可通过凸最小化实现高效估计，并支持反事实分析。

ABSTRACT

We review recent advances in the estimation of matching models under transferable utility, with special emphasis on approaches that exploit the convexity of the problem when the joint surplus is separable.

研究动机与目标

• 从观测到的匹配模式中，识别一对一分配市场中具有可转移效用的联合收益函数。
• 在可分性和对数型不可观测异质性的假设下，利用凸优化估计模型参数。
• 通过恢复收益函数，实现对政策变化的反事实分析。
• 将该框架扩展至连续类型和多个市场，以增强识别能力。

提出的方法

• 利用最优传输与凸对偶性，在可分性假设下识别联合收益函数。
• 应用凸优化，通过最小化全局凸目标函数来估计参数。
• 采用基于转移后效用与影子价格的稳定性对偶公式。
• 在混合算法中结合坐标下降与梯度下降，实现高效计算。
• 通过泊松过程与双线性收益函数建模连续类型。
• 利用多个市场及个体层面的转移数据，增强识别能力。

实验结果

研究问题

• RQ1 在可分性假设下，能否从观测到的匹配模式中非参数识别联合收益函数？
• RQ2 当不可观测异质性服从对数分布时，如何高效估计联合收益函数的参数？
• RQ3 在何种条件下可识别多个市场中不可观测异质性分布？
• RQ4 如何在具有可转移效用的可分匹配模型中建模连续类型？
• RQ5 个体层面的转移数据在提升模型估计方面起到什么作用？

主要发现

• 在可分性与对数型不可观测异质性假设下，联合收益函数可从匹配模式中识别。
• 参数估计可转化为最小化全局凸目标函数，确保全局收敛。
• 稳定性的对偶公式使通过迭代更新效用与影子价格，高效计算稳定匹配成为可能。
• 在双线性高斯模型中，匹配模式对数的黑塞矩阵等于收益矩阵，从而实现过度识别与秩检验。
• 多个市场允许在各市场共享基本设定的前提下，识别不可观测异质性分布。
• 个体层面的转移数据显著提升估计效果，而汇总数据的改进作用有限。