面向选择分析的深度神经网络：统计学习理论视角
综合经济学
2019-09-18 v2 经济学
摘要
尽管研究者日益使用深度神经网络（DNN）来分析个体选择，过拟合与可解释性问题仍是理论与实践的障碍。本研究利用统计学习理论，提出一个框架来考察估计误差与近似误差之间、以及预测损失与解释损失之间的权衡。它通过构建解释损失的度量（定义为真实与估计选择概率函数之差）来实现选择分析中 DNN 可解释性的可操作化。本研究还使用统计学习理论对 DNN 中预测与解释损失的估计误差给出上界，从而阐明 DNN 为何不存在过拟合问题。随后模拟三种情景将 DNN 与二项 logit 模型（BNL）比较。我们发现，在大多数情景下 DNN 在预测与解释上均优于 BNL，且更大的样本量释放了 DNN 的预测能力而非 BNL。DNN 还被用于基于 2017 年全国家庭旅行调查（NHTS2017）数据集分析出行目的与出行方式的选择。这些实验表明，DNN 可用于超越当前需求预测实践的选择分析，因其具有固有的效用解释性、容纳多种信息格式的灵活性，以及自动学习效用设定的能力。除非建模者完全掌握选择任务知识且样本量小，DNN 比 BNL 更具预测性与可解释性。总体而言，统计学习理论可成为非渐近数据情形或选择分析中采用高维统计模型未来研究的基石，且实验展示了 DNN 在政策与行为分析中广泛应用的可行性与有效性。
引用
@article{arxiv.1810.10465,
title = {Deep Neural Networks for Choice Analysis: A Statistical Learning Theory Perspective},
author = {Shenhao Wang and Qingyi Wang and Nate Bailey and Jinhua Zhao},
journal= {arXiv preprint arXiv:1810.10465},
year = {2019}
}