混合聚合偏好 Logit 模型：离散选择分析中未观测异质性建模的机器学习方法
计量经济学
2025-03-05 v2
摘要
本文引入了混合聚合偏好 Logit (MAPL，发音为 "maple") 模型，这是一类新型离散选择模型，利用机器学习来对离散选择分析中的未观测异质性进行建模。传统的混合 Logit 模型（也称为“随机参数 Logit”）通过对特征特定的异质性分布的假设来参数化偏好异质性。这些参数通常也被假设为以线性方式加入随机效用（或随机后悔）模型中。MAPL 模型放宽了这些假设，转而将模型输入直接与聚合偏好异质性的特定方案分布参数相关联，无需特征层面的假设。MAPL 模型消除了对潜在决策模型的函数形式做出任何假设的需要，使建模者免受潜在的设定误差的影响。在仿真实验中，我们证明了单一的 MAPL 模型设定能够正确建模具有不同效用和异质性设定的多种不同数据生成过程。MAPL 模型通过考虑未观测异质性，推进了基于机器学习的选择模型。此外，传统的选择建模者可以将 MAPL 模型用作诊断工具，以识别效用和异质性的设定误差。
引用
@article{arxiv.2402.00184,
title = {The Mixed Aggregate Preference Logit Model: A Machine Learning Approach to Modeling Unobserved Heterogeneity in Discrete Choice Analysis},
author = {Connor R. Forsythe and Cristian Arteaga and John P. Helveston},
journal= {arXiv preprint arXiv:2402.00184},
year = {2025}
}