Rank-heterogeneous Preference Models for School Choice
学校选择中的排序异质性偏好模型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：摘要直接研究学校志愿排序、随机效用与多项 logit 的扩展，属于离散选择建模。
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…
学校选择中的排序异质性偏好模型
- 研究问题
- 家庭填报学校志愿时，不同排序位置是否遵循不同的选择过程，以及允许这种差异能否改善偏好预测和反事实分析？
- 方法与思路
- 作者分别引入依赖此前高位选择的情境随机效用模型，以及按排序位置分层、适当向相邻层模型正则化的建模策略。
- 材料陈述的贡献
- 摘要称旧金山学区多年资料中，情境模型改善各排序位置的样本外指标；分层模型主要改善第一志愿，对后续志愿提升有限。
- 阅读关注点
- 核对排序情境的构造、相邻层正则化的选择和跨年验证设计，并区分预测指标改善与反事实政策分析有效性的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未提供指标数值、估计细节或反事实识别条件，外部适用性仍待核对。
原文摘要
School choice mechanism designers use discrete choice models to understand and predict families' preferences. The most widely-used choice model, the multinomial logit (MNL), is linear in school and/or household attributes. While the model is simple and interpretable, it assumes the ranked preference lists arise from a choice process that is uniform throughout the ranking, from top to bottom. In this work, we introduce two strategies for rank-heterogeneous choice modeling tailored for school choice. First, we adapt a context-dependent random utility model (CDM), considering down-rank choices as occurring in the context of earlier up-rank choices. Second, we consider stratifying the choice modeling by rank, regularizing rank-adjacent models towards one another when appropriate. Using data on household preferences from the San Francisco Unified School District (SFUSD) across multiple years, we show that the contextual models considerably improve our out-of-sample evaluation metrics across all rank positions over the non-contextual models in the literature. Meanwhile, stratifying the model by rank can yield more accurate first-choice predictions while down-rank predictions are relatively unimproved. These models provide performance upgrades that school choice researchers can adopt to improve predictions and counterfactual analyses.