一种神经嵌入选择模型：TasteNet-MNL 以灵活性与可解释性建模偏好异质性
计量经济学
2022-07-04 v2 机器学习
统计方法学
摘要
离散选择模型（DCMs）需要效用的先验知识，尤其是偏好如何跨个体变化。效用设定错误可能导致有偏估计、不准确解释以及有限预测力。本文中，我们利用神经网络学习偏好表示。我们的公式由两个模块组成：一个学习偏好参数（如时间系数）作为个体特征灵活函数的神经网络（TasteNet）；以及一个用专家知识定义效用函数的多项 logit（MNL）模型。神经网络学到的偏好参数被输入选择模型并连接两个模块。我们的方法扩展了 L-MNL 模型（Sifringer 等，2020），允许神经网络学习个体特征与备选项属性之间的交互。此外，我们形式化并强化了可解释性条件——要求在离散化水平上行为指标（如时间价值、弹性）的现实估计，这对适用于情景分析与政策决策的模型至关重要。通过独特的网络架构与参数变换，我们融入先验知识并引导神经网络在离散化水平输出现实的行为指标。我们表明 TasteNet-MNL 在合成数据上达到真值模型的可预测性并恢复非线性偏好函数。其个体水平估计的时间价值与选择弹性接近真值。在公开可用的 Swissmetro 数据集上，TasteNet-MNL 优于基准 MNL 与混合 logit 模型的可预测性。它学习了群体内更广的偏好变异谱并给出更高的平均时间价值。
引用
@article{arxiv.2002.00922,
title = {A Neural-embedded Choice Model: TasteNet-MNL Modeling Taste Heterogeneity with Flexibility and Interpretability},
author = {Yafei Han and Francisco Camara Pereira and Moshe Ben-Akiva and Christopher Zegras},
journal= {arXiv preprint arXiv:2002.00922},
year = {2022}
}