机器学习遇见微观经济学：以决策树与离散选择为例

我们为决策树这一流行的机器学习方法提供了一个微观经济学框架。具体而言，我们展示了决策树如何表示一种称为合取之析取的非补偿性决策协议，以及该协议如何推广离散选择文献中迄今使用的许多非补偿性规则。此外，我们展示了现有的决策树变体如何解决选择建模者可能关心的许多经济学问题。除理论解释外，我们还对现有的两阶段半补偿建模文献和现有的决策树文献做出了贡献。特别地，我们构建了首个贝叶斯模型树，从而在一阶段的选择模型中允许所估计的非补偿性规则存在不确定性，并允许依赖于情境的偏好异质性。以旧金山湾区的自行车出行方式选择为例，我们估计了我们的贝叶斯模型树，发现其比多项 logit 模型（MNL）更接近真实数据生成过程的可能性高出 1,000 倍以上。在定性上，我们的贝叶斯模型树自动发现自行车基础设施投资的影响受到出行距离、社会人口统计特征和地形的调节，并且我们的模型识别出自行车道投资的收益递减。这些定性差异使得贝叶斯模型树的预测与在拥有丰富自行车基础设施的地区（如加州戴维斯和荷兰）观察到的自行车出行分担率直接一致。相比之下，MNL 的预测过于乐观。