用于未观测无购买选择的不完美辅助预测器校准

企业们通常无法观察到的关键消费者行为包括：客户是否购买于竞争对手、是否选择不购买，甚至是否完全考虑了公司的报价。这种缺失的外部选项信息使得即使在简单的多项 Logit (MNL) 模型中进行市场规模和偏好估计都十分困难，即使在仅记录交易数据的情况下也是一个实践中的核心障碍。现有方法通常依赖于辅助市场份额、聚合数据或跨市场数据。我们研究了一种补充方法，其中黑箱辅助预测器提供外部选项概率，但可能因在不同渠道、时期或人群中训练，或由外部机器学习系统生成而产生偏差或校准不足。我们发展了校准方法，将此类不完美的预测转化为使用来自焦点环境中仅限购买数据的数据的统计有效无购买估计。首先，在 Logit 空间中的仿射校准下，我们表明简单回归可识别外部选项效用参数，从而在不收集无购买事件新标签的情况下一致恢复无购买概率。其次，在较弱的准单调条件下，我们提出一种基于排序的校准方法，并推导出将辅助预测器质量与第一阶段效用学习误差（基于观察到的集合内选择）清晰分离的有限样本误差界。我们的分析还将估计误差转化为下游决策质量，用于组合优化，量化了校准准确度如何影响收益性能。这些界限提供了预测器对齐和效用学习误差的显式依赖，阐明了何时每一来源占主导。数值实验表明，在无购买估计和下游组合决策方面实现了改进，我们讨论了用于组合多个辅助预测器的鲁棒聚合扩展。