Posterior inference of attitude-behaviour relationships using latent class choice models
利用潜类别选择模型对态度与行为关系进行后验推断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：摘要明确以潜类别选择模型和混合选择规格研究偏好异质性及选择行为。
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…
关注这篇论文的作者
利用潜类别选择模型对态度与行为关系进行后验推断
- 研究问题
- 研究态度与行为及偏好异质性的关联时，能否减少混合选择模型的联合估计负担？作者探索由潜类别选择模型恢复类别态度画像。
- 方法与思路
- 作者在潜类别选择模型估计后进行态度画像推断，并在居家办公与疫苗接受案例中比较指标均值、分数多项 logit、因子及混合规格。
- 材料陈述的贡献
- 摘要称，后验画像以较小额外复杂度提供行为解释；两项案例中，完整混合模型增加较多估计负担，却仅带来有限解释力增益。
- 阅读关注点
- 应核对类别后验权重如何用于态度分析、分类不确定性是否进入推断，并检查各规格的可比性、收敛表现及态度信息保留程度。
- 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。摘要报告的是态度与行为关联，未建立因果方向，模型比较也限于两个案例。
原文摘要
The link between attitudes and behaviour has been a key topic in choice modelling for two decades, with the widespread application of ever more complex hybrid choice models. This paper proposes a pragmatic and computationally tractable alternative framework for empirically examining the relationship between attitudes and behaviours using latent class choice models (LCCMs). Rather than embedding attitudinal constructs within the structural model, as in hybrid choice frameworks, we recover class-specific attitudinal profiles through posterior inference. This approach enables analysts to explore attitude-behaviour associations without the complexity and convergence issues often associated with integrated estimation. Two case studies are used to demonstrate the framework: one on employee preferences for working from home, and another on public acceptance of COVID-19 vaccines. Across both studies, we compare posterior profiling of indicator means, fractional multinomial logit (FMNL) models, factor-based representations, and hybrid specifications. We find that posterior inference methods provide behaviourally rich insights with minimal additional complexity, while factor-based models risk discarding key attitudinal information, and full-information hybrid models offer little gain in explanatory power and incur substantially greater estimation burden. Our findings suggest that when the goal is to explain preference heterogeneity, posterior inference offers a practical alternative to hybrid models, one that retains interpretability and robustness without sacrificing behavioural depth.