带Choquet积分与属性截断的多项Probit模型
应用统计
2021-12-07 v3
摘要
为灵活设定离散选择模型中系统效用，已发展出若干非线性函数与机器学习方法。然而它们缺乏可解释性、不能确保单调性条件，并限制了替代模式。我们通过使用Choquet积分(CI)函数建模系统效用来应对前两个挑战，并通过将CI嵌入多项probit(MNP)选择概率核来应对最后一个挑战。我们还将MNP-CI模型扩展以考虑属性截断，使建模者能够利用传统选择实验数据近似模拟半补偿行为。MNP-CI模型采用约束最大似然方法进行估计，并通过全面的Monte Carlo研究验证其统计性质。基于CI的选择模型在经验上具有优势，因为它在保持单调性的同时捕捉交互效应。它还作为估计的副产品提供关于属性对之间互补性及其重要性排序的信息。这些见解可能协助政策制定者制定政策以提升对某一备选方案的偏好水平。带有属性截断的MNP-CI模型的这些优势在一项理解纽约市民对按需移动服务的偏好的实证应用中得以说明。
引用
@article{arxiv.2105.03275,
title = {A Multinomial Probit Model with Choquet Integral and Attribute Cut-offs},
author = {Subodh Dubey and Oded Cats and Serge Hoogendoorn and Prateek Bansal},
journal= {arXiv preprint arXiv:2105.03275},
year = {2021}
}