用于选择分析的深度神经网络：提取完整经济信息以进行解释
综合经济学
2021-04-06 v3 机器学习
经济学
摘要
尽管深度神经网络（DNNs）已越来越多地应用于选择分析并展现出高预测能力，但研究者在多大程度上可以从 DNNs 中解释经济信息仍不清楚。本文证明 DNNs 能够提供与经典离散选择模型（DCMs）一样完整的经济信息。这些经济信息包括选择预测、选择概率、市场份额、备选方案的替代模式、社会福利、概率导数、弹性、边际替代率（MRS）以及异质的时间价值（VOT）。与 DCMs 不同，DNNs 可以自动学习效用函数并揭示未被领域专家预先指定的行为模式。然而，由于与自动学习能力相关的三个挑战：对超参数的高敏感性、模型不可辨识性和局部不规则性，从 DNNs 获得的经济信息可能不可靠。为展示 DNNs 的优势与挑战，我们使用陈述偏好调查估计了 DNNs，从 DNNs 中提取了完整的经济信息列表，并与 DCMs 中的相应信息进行了比较。我们发现，在训练或总体层面聚合的经济信息比个体观测或训练上的非聚合信息更可靠，并且即使简单的超参数搜索也能显著提升从 DNNs 提取的经济信息的可靠性。未来研究应探索其他正则化方法和 DNN 架构、更好的优化算法以及鲁棒的 DNN 训练方法，以应对 DNNs 的三个挑战，从而基于 DNN 的选择模型提供更可靠的经济信息。
引用
@article{arxiv.1812.04528,
title = {Deep Neural Networks for Choice Analysis: Extracting Complete Economic Information for Interpretation},
author = {Shenhao Wang and Qingyi Wang and Jinhua Zhao},
journal= {arXiv preprint arXiv:1812.04528},
year = {2021}
}