Learning Preferences from Conjoint Data: A Hybrid Structural Deep Learning Approach
从联合分析数据学习偏好：结构模型与深度学习的混合方法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：摘要明确用 Logit 随机效用结构模型从重复离散选择中恢复偏好参数。
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…
从联合分析数据学习偏好：结构模型与深度学习的混合方法
- 研究问题
- 如何从随机化多维属性的联合分析实验中恢复个体偏好和权衡，并揭示总体平均选择效应掩盖的偏好异质性？
- 方法与思路
- 作者在 Logit 随机效用模型中结合机器学习均值偏好与个体经验贝叶斯更新，并用双重或去偏机器学习进行总体参数推断。
- 材料陈述的贡献
- 摘要称方法可借助重复选择学习残余异质性，恢复可解释的结构偏好参数，并在三项政治学应用中揭示平均效应遗漏的差异。
- 阅读关注点
- 应核对随机效用模型的识别与尺度约束、重复选择对个体偏好的信息量、经验贝叶斯收缩，以及第一阶段精度要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验；摘要未说明充分准确的具体标准，个体偏好恢复仍需核对结构限制。
原文摘要
Conjoint experiments randomize multidimensional profiles, yet political science applications typically report only nonparametric averages that do not recover counterfactual choices or individual tradeoffs. We develop a hybrid structural approach for recovering individual preferences from conjoint data. The estimator combines a flexible machine-learning mean preference function, via a deep netural network in our applications, with respondent-level empirical-Bayes updating in a logistic random utility model, allowing preferences to vary with observed characteristics while learning residual heterogeneity from repeated choices. Double/debiased machine learning delivers valid inference for population-average preference parameters with any sufficiently accurate first-stage learner. Across three applications, the method reveals heterogeneity reduced-form averages obscure: opposition to undemocratic behavior is broad but uneven in intensity, progressive tax preferences are widespread across partisan subgroups, and partisan polarization offsets the average gender effect in candidate choice. The framework opens the door to core theoretical questions in political science by recovering substantively interpretable structural parameters.