Copula-ResLogit：用于处理不可观测混杂效应的深度 Copula 框架
机器学习
2026-03-12 v1
摘要
旅行需求分析中的关键挑战是存在不可观测因素，这些因素可能产生非因果依赖关系，遮蔽真实的因果效应。为此，研究引入一种新型全可解释的联合建模框架 Copula-ResLogit，将残差神经网络（ResNet）架构的灵活性与 Copula 模型的依赖捕获能力相结合。这种混合结构使我们首先通过传统基于 Copula 函数的联合建模检测不可观测混杂效应，然后通过纳入深度学习组件来缓解这些隐藏关联。研究将该框架应用于两个案例研究，包括虚拟现实中行人横跨中段等待时间与压力水平之间的关系，以及伦敦旅行行为数据中旅行方式选择与旅行距离之间的依赖关系。结果表明，Copula-ResLogit 显著减少或消除这些依赖关系，展示了残差层处理隐藏混杂效应的能力。
引用
@article{arxiv.2603.10284,
title = {Copula-ResLogit: A Deep-Copula Framework for Unobserved Confounding Effects},
author = {Kimia Kamal and Bilal Farooq},
journal= {arXiv preprint arXiv:2603.10284},
year = {2026}
}