利用贝叶斯模型测量相似性选择中的无关选项独立性违反

相似性选择数据产生于人类根据与目标的相似性在备选项中做出选择时，例如在信息检索和嵌入学习场景中。经典的基于度量的相似性选择模型假设无关选项独立性（IIA），这一性质允许更简单的公式化表述。尽管在许多离散选择场景中已检测到 IIA 违反，但相似性选择场景受到的关注甚少。这是因为选择依赖于目标的特性使得 IIA 检验变得复杂。我们提出了两种统计方法来检验 IIA：一种经典的拟合优度检验和一种基于后验预测检查（PPC）框架的贝叶斯对应方法。这种贝叶斯方法是我们主要的技术贡献，它量化了 IIA 违反的程度，而不仅仅是其显著性。我们整理了两个数据集：一个包含旨在引发 IIA 违反的选择集，另一个包含来自同一项目全域的随机生成的选择集。我们的检验在两个数据集上都确认了显著的 IIA 违反，并且值得注意的是，我们发现它们之间的违反程度相当。此外，我们设计了一种新的 PPC 检验用于群体同质性。结果表明群体确实是同质的，这表明 IIA 违反是由情境效应驱动的——具体来说，是选择集内的交互作用。这些结果凸显了对能够解释此类情境效应的新型相似性选择模型的需求。