一种广义离散混合模型以更好地捕捉离散选择数据中的偏好异质性
统计方法学
2025-06-18 v1
摘要
可以说，建模离散选择数据的关键问题在于捕捉偏好异质性。这可以通过观察到的特征，和/或使用捕捉受访者间随机异质性的技术来实现。在后者方面，健康经济学中的两种主要方法是混合多项 Logit (MMNL) 和潜在类别 (LC) 模型。在本文中，我们重新审视离散混合 (DM) 模型作为这两种方法的第三种替代方案。DM 模型类似于 LC，但允许跨属性的任意偏好组合，而不是像 LC 那样对偏好进行分组。接下来，我们开发了一个广义离散混合 (GDM) 模型。类别分配组件中的额外增强参数允许模型根据数据的最佳拟合坍缩为标准 DM 或 LC 结构。这意味着，根据定义，该模型的性能至少与标准 DM 和 LC 模型中最好的一个相当；或者比两者都好。其他优势包括：(a) 它允许数据告诉我们偏好的潜在相关性，(b) 它不依赖于混合 Logit 模型所需的分布，这意味着估计时间减少，并且不需要对偏好分布做出假设。对模拟数据的实验显示了在何种不太可能的条件下，LC 模型会比 DM 模型更受青睐。我们认为，在许多情况下，对潜在类别进行标记的惯例是有问题的。GDM 在所有情况下都适用。我们在实证数据中表明，GDM 显著优于 LC 模型，从而更细致地描绘了受访者的偏好。
引用
@article{arxiv.2506.14094,
title = {A generalised discrete mixture model to better capture preference heterogeneity in discrete choice data},
author = {Thomas O. Hancock and John Buckell},
journal= {arXiv preprint arXiv:2506.14094},
year = {2025}
}
备注
HESG conference paper