Discrete Choice Analysis with Machine Learning Capabilities
具备机器学习能力的离散选择分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论随机效用离散选择模型，以及嵌套 logit 和 logit 混合模型的设定选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
具备机器学习能力的离散选择分析
- 研究问题
- 政策分析所需的解释性与模型能力如何兼顾，尤其如何利用机器学习选择随机效用离散选择模型中的随机部分？
- 方法与思路
- 作者讨论将领域知识用于系统效用部分，并回顾以混合整数优化和交叉验证，在解释性约束下选择随机部分设定的两项应用。
- 材料陈述的贡献
- 摘要指出机器学习可用于随机效用部分的系统化设定选择，并介绍其在嵌套 logit 与 logit 混合模型中的应用。
- 阅读关注点
- 应核对随机部分的候选设定、解释性约束如何表达，以及交叉验证的评价目标是否对应政策分析所需的模型能力。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体约束、应用结果或政策反事实的有效性条件。
原文摘要
This paper discusses capabilities that are essential to models applied in policy analysis settings and the limitations of direct applications of off-the-shelf machine learning methodologies to such settings. Traditional econometric methodologies for building discrete choice models for policy analysis involve combining data with modeling assumptions guided by subject-matter considerations. Such considerations are typically most useful in specifying the systematic component of random utility discrete choice models but are typically of limited aid in determining the form of the random component. We identify an area where machine learning paradigms can be leveraged, namely in specifying and systematically selecting the best specification of the random component of the utility equations. We review two recent novel applications where mixed-integer optimization and cross-validation are used to algorithmically select optimal specifications for the random utility components of nested logit and logit mixture models subject to interpretability constraints.