An Empirical Bayes Procedure for Improving Individual-Level Estimates and Predictions From Finite Mixtures of Multinomial Logit Models
改善多项Logit有限混合模型个体估计与预测的经验贝叶斯方法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。
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：摘要直接讨论多项Logit有限混合模型及异质选择数据，属于离散选择。
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…
关注这篇论文的作者
改善多项Logit有限混合模型个体估计与预测的经验贝叶斯方法
- 研究问题
- 在多项Logit有限混合模型中，如何计入超参数的估计误差，以改善个体参数估计和留出样本的选择预测？
- 方法与思路
- 作者对极大似然估计中的超参数误差进行积分，构造经验贝叶斯方法，并通过两项蒙特卡洛研究与两个实例检验表现。
- 材料陈述的贡献
- 摘要称该方法改善了个体参数刻画和留出预测，并在两个应用中显示潜在优势；对模型假设偏离的稳健性也作了考察。
- 阅读关注点
- 应核对超参数误差分布及积分实现、个体预测的评价标准，以及模拟如何设置模型错设和不同程度的选择异质性。
- 阅读边界
- 所给摘要开头不完整，且未提供模拟数值或具体假设；报告的改善不能直接外推为对所有有限混合模型的普遍优势。
原文摘要
with by specifying either a multinomial or a normal distribution of the coefficients, leading to finite mixture logit and mixed logit models. Focusing on the former, we show that individual-level estimates and predictions of finite mixtures estimated by maximizing the likelihood function can be improved through integration over the estimation error of the hyperparameters, using an empirical Bayes approach. We investigate the conjecture that this approach is more robust against departures of the underlying assumptions of the finite mixture model in two Monte Carlo studies. We show that our approach improves the performance of the finite mixture model in representing individual-level parameters and producing hold-out forecasts. We illustrate with two examples that our approach may offer advantages in empirical applications involving the analysis of heterogeneous choice data.