基于扩展Plackett-Luce模型的偏好排序分析算法与诊断

选择行为与偏好通常包含众多主观方面，难以辨识和量化。为此，其探索常通过以排序数据形式收集序数证据来进行。排序是根据特定准则对给定项目集进行比较评价所得的有序序列。多阶段排序模型，包括流行的Plackett-Luce分布（PL），依赖于排序过程顺序执行的假设，即从顶端到底端（前向顺序）依次分配位置。排序文献近期的一项贡献通过引入离散参考顺序参数放宽了该假设，产生了新颖的扩展Plackett-Luce模型（EPL）。对EPL及其在有限混合框架中推广的推断最初从频率学派视角处理。本工作中，我们提出带参考顺序参数次序约束的EPL贝叶斯估计。该离散参数的约束反映了有意义的排序分配过程，并且结合数据增广策略以及Gamma先验分布与EPL的共轭性，便于在Gibbs抽样内构建调谐的联合Metropolis-Hastings算法以从后验分布模拟。我们还提出一种新颖的模型诊断方法来评估EPL参数化设定的充分性。该方法的实用性通过模拟与真实数据集应用加以说明。