离散选择中识别的极限

本文揭示了可识别随机效用模型中允许的偏好数量的严格界限。我们表明，随着离散选择模型中备选项数量的增加，可识别模型中允许的偏好比例迅速趋于零。我们提出了一个确保识别的新的充分条件，该条件严格弱于文献中现有的一些条件。虽然这个充分条件达到了我们的上界，但一个例子表明，该条件对于识别并非必要。利用我们的新条件，我们证明了社会选择理论中经典的“拉丁方”例子可以从随机选择数据中识别。