Random taste heterogeneity in discrete choice models: Flexible nonparametric finite mixture distributions

این مطالعه یک مدل لجیت مخلوط با توزیع مخلوط نهایی پارامتری چند متغیره را پیشنهاد می کند. پشتیبانی از توزیع به عنوان یک شبکه با ابعاد بزرگ بر روی فضای ضریب، با فواصل یکسانی یا نابرابر بین نقاط پی در امتداد یک بعد مشخص، مشخص می شود. محل هر نقطه بر روی شبکه و توده احتمالی در آن نقطه پارامترهای مدل هستند که باید برآورد شوند. این چارچوب به تحلیلگر نیازی ندارد که شکل توزیع قبل از برآورد مدل را مشخص کند، اما می تواند تابع توزیع احتمالی چند متغیره را به هر درجه دلخواه دلخواه تقریب کند. شبکه با فواصل نابرابر، به طور خاص، انعطاف پذیری بیشتری نسبت به موارد غیر پارامتری چند متغیره ارائه می دهد، در حالی که نیاز به ارزیابی تعداد کمی از پارامترهای اضافی است. الگوریتم به حداکثر رساندن انتظار برای برآورد این مدل ها توسعه داده شده است. مجموعه داده های مصنوعی چندگانه و مطالعه موردی در مورد رفتار انتخاب حالت سفر برای نشان دادن ارزش چارچوب مدل و الگوریتم برآورد استفاده می شود. در مقایسه با مدل های موجود که طیف ناهمگونی تصادفی را با توزیع مخلوط مداوم ترکیب می کنند، مدل پیشنهادی توانایی پیش بینی بهتر از نمونه را فراهم می کند. یافته ها نشان می دهد تفاوت های قابل توجهی در تمایل به پرداخت اقدامات بین مدل پیشنهادی و مشخصات موجود وجود دارد. مطالعه موردی بیشتر نشان می دهد توانایی مدل پیشنهادی برای درون سازی الگوهای الگوی عدم حضور و ویژگی انتخاب را بهبود می بخشد.