一种用于混合Logit估计的早期停止贝叶斯数据同化方法
统计方法学
2021-01-28 v1 离散数学
统计计算
摘要
混合Logit模型是交通选择分析中的灵活工具,可深入揭示个体间与个体内的行为异质性。然而,混合Logit模型的应用受限于模型估计所需的高计算与数据要求。在小样本上估计时,贝叶斯估计方法易出现过度拟合与欠拟合问题。这对于研究数据可用性低的具体群体子群或细分市场的行为而言是成问题的。当将已有模型迁移至新的地点或时间段时(例如估计后疫情出行行为)也会出现类似挑战。我们提出了一种用于混合Logit估计的早期停止贝叶斯数据同化(ESBDA)模拟器,它将贝叶斯统计方法与机器学习方法相结合。其目的是提升混合Logit模型的迁移能力,并使得在低数据可用性下估计稳健的选择模型成为可能。该方法能在因数据不足而无法使用传统混合Logit估计之处提供关于选择行为的新见解,并为投资与规划决策支持开辟新机遇。ESBDA估计器与直接应用方法、具有随机起始参数值的基础贝叶斯模拟器以及无早期停止的贝叶斯数据同化(BDA)模拟器进行了基准对比。研究发现,ESBDA方法有效克服了模拟中的欠拟合、过拟合及不收敛问题。其所生成的模型在预测精度上明显优于参照模拟器。此外,即便在小样本上估计,ESBDA估计的模型也往往更为稳健,其显著参数的符号与数值均与行为理论一致。
引用
@article{arxiv.2101.11159,
title = {An Early Stopping Bayesian Data Assimilation Approach for Mixed-Logit Estimation},
author = {Shanshan Xie and Tim Hillel and Ying Jin},
journal= {arXiv preprint arXiv:2101.11159},
year = {2021}
}