从原始选择数据中发现情境效应
机器学习
2020-02-04 v2 计算机科学与博弈论
机器学习
摘要
偏好学习中的许多应用假设决策来自某一稳定效用函数的最大化。然而大量实验文献表明，个体的选择与判断会受到其所处情境中“无关”方面的影响。此类情境的一个重要类别是选择集的构成。本工作中，我们的目标是从原始选择数据中发现此类选择集效应。我们引入多项Logit(MNL)模型的扩展，称为情境依赖随机效用模型(CDM)，其允许一类特定的选择集效应。我们证明CDM可被视为一般选择系统的二阶近似，可使用最大似然最优推断，且重要的是易于解释。我们将CDM应用于真实与模拟的选择数据，以对有选择集效应存在性进行有原则的探索性分析。
引用
@article{arxiv.1902.03266,
title = {Discovering Context Effects from Raw Choice Data},
author = {Arjun Seshadri and Alexander Peysakhovich and Johan Ugander},
journal= {arXiv preprint arXiv:1902.03266},
year = {2020}
}
备注
24 pages