文件名称：上下文动态定价中需求预测的不确定性量化-研究论文
文件大小：1.49MB
文件格式：PDF
更新时间：2024-06-09 14:52:47
Adaptive data Asymptotic normality Confidence
数据驱动的顺序决策已在现代运营管理中找到了广泛的应用，例如动态定价，库存控制和分类优化。 现有的有关数据驱动顺序决策的研究大多集中在设计在线策略以最大化收益方面。 然而，关于潜在的真实模型函数（例如需求函数）的不确定性量化的研究（对从业者来说是一个关键问题）尚未得到很好的探索。 本文以动态定价中的需求函数预测问题为动力实例，研究了为需求函数构造准确的置信区间的问题。 主要挑战在于，顺序收集的数据会导致最大似然估计值或经验风险最小化估计值出现明显的分布偏差，从而使经典统计方法（例如Wald检验）不再有效。 我们通过开发一种去偏方法来应对这一挑战，并提供去偏估计量的渐近正态性保证。 基于此去偏估计量，我们提供了需求函数的逐点置信区间和统一置信区间。