面向离散选择与网络效应的图卷积神经网络设计
机器学习
2025-05-26 v1 计量经济学
应用统计
机器学习
摘要
我们提出了一种新颖的模型架构，将网络效应纳入离散选择问题中，在预测性能上优于标准离散选择模型，同时在可解释性上优于通用灵活模型类别。计量经济学离散选择模型有助于研究个体决策过程，其中智能体从离散备选集中选择奖励最高的选项。从直觉上看，个体从特定选择中获得的效用取决于其个人偏好和特征、备选方案的属性，以及其同侪对该备选方案或其先前选择的赋值。然而，大多数应用忽略了同侪影响，而考虑同侪或网络效应的模型往往缺乏近期发展的离散选择方法（如深度学习）的灵活性和预测性能。我们提出了一种新颖的图卷积神经网络架构来模拟离散选择中的网络效应，在保持可解释性（这一特性在通用深度学习架构中常常缺失）的同时实现了比标准离散选择模型更高的预测性能。我们使用揭示的通勤选择数据进行评估，该数据扩展了纽约市工作相关出行的各出行方式的出行时间和出行成本，以及按县汇总的2016年美国选举数据，以测试其在类别高度不平衡数据集上的性能。鉴于我们模型的可解释性，我们可以估计相关经济指标，例如纽约市的出行时间节省价值。最后，我们将我们架构的预测性能和行为洞见与传统离散选择和通用深度学习模型进行了比较。
引用
@article{arxiv.2503.09786,
title = {Designing Graph Convolutional Neural Networks for Discrete Choice with Network Effects},
author = {Daniel F. Villarraga and Ricardo A. Daziano},
journal= {arXiv preprint arXiv:2503.09786},
year = {2025}
}