論文の概要: On the estimation of discrete choice models to capture irrational customer behaviors

• arxiv url: http://arxiv.org/abs/2109.03882v1
• Date: Wed, 8 Sep 2021 19:19:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 13:57:47.859571
• Title: On the estimation of discrete choice models to capture irrational customer behaviors
• Title（参考訳）: 不合理な顧客の行動を捉える個別選択モデルの推定について
• Authors: Sanjay Dominik Jena, Andrea Lodi, Claudio Sole
• Abstract要約: 我々は、部分的にランク付けされた好みを使って、トランザクションデータから合理的で不合理な顧客タイプを効率的にモデル化する方法を示す。 提案手法の予測精度を評価する実験を幅広く行った。
• 参考スコア（独自算出の注目度）: 4.683806391173103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Random Utility Maximization model is by far the most adopted framework to estimate consumer choice behavior. However, behavioral economics has provided strong empirical evidence of irrational choice behavior, such as halo effects, that are incompatible with this framework. Models belonging to the Random Utility Maximization family may therefore not accurately capture such irrational behavior. Hence, more general choice models, overcoming such limitations, have been proposed. However, the flexibility of such models comes at the price of increased risk of overfitting. As such, estimating such models remains a challenge. In this work, we propose an estimation method for the recently proposed Generalized Stochastic Preference choice model, which subsumes the family of Random Utility Maximization models and is capable of capturing halo effects. Specifically, we show how to use partially-ranked preferences to efficiently model rational and irrational customer types from transaction data. Our estimation procedure is based on column generation, where relevant customer types are efficiently extracted by expanding a tree-like data structure containing the customer behaviors. Further, we propose a new dominance rule among customer types whose effect is to prioritize low orders of interactions among products. An extensive set of experiments assesses the predictive accuracy of the proposed approach. Our results show that accounting for irrational preferences can boost predictive accuracy by 12.5% on average, when tested on a real-world dataset from a large chain of grocery and drug stores.
• Abstract（参考訳）: Random Utility Maximizationモデルは、消費者選択行動を見積もる最も採用されているフレームワークです。 しかし、行動経済学はこの枠組みと相容れないハロ効果のような不合理な選択行動の強い実証的証拠を提供している。 したがって、ランダムユーティリティ最大化ファミリーに属するモデルは、そのような不合理な振る舞いを正確に捉えることができない。 したがって、そのような制限を克服するより一般的な選択モデルが提案されている。 しかし、そのようなモデルの柔軟性は、過度に適合するリスクの増大によって生じる。 このようなモデルの推定は依然として課題である。 本研究では,最近提案された一般化確率的選好モデルについて,ランダム効用最大化モデルの族を仮定し,ハロ効果を捉えることのできる推定手法を提案する。 具体的には、トランザクションデータから合理的かつ不合理な顧客タイプを効率的にモデル化するために、部分ランクの選好をどのように使うかを示す。 提案手法は,顧客行動を含む木のようなデータ構造を拡張して,関連顧客タイプを効率的に抽出する列生成に基づく。 さらに,製品間のインタラクションの順序の低さを優先する,顧客タイプ間の新たな支配ルールを提案する。 広範囲にわたる実験により,提案手法の予測精度が評価された。 以上の結果から,不合理な選好を考慮すれば,大規模な食料品店やドラッグストアの実際のデータセットでテストした場合,平均12.5%の予測精度が向上する可能性が示唆された。

関連論文リスト

• Deep Bayesian Active Learning for Preference Modeling in Large Language Models [84.817400962262]
  本稿では,BAL-PM(Bayesian Active Learner for Preference Modeling)を提案する。 BAL-PMは2つの人気のある人間の嗜好データセットにおいて、好みラベルを33%から68%少なくし、以前のベイズ買収ポリシーを超えている。 我々の実験では、BAL-PMは2つの人気のある人選好データセットにおいて33%から68%の選好ラベルを必要としており、ベイズ買収ポリシーを上回ります。
  論文  参考訳（メタデータ） (2024-06-14T13:32:43Z)
• Unveiling the Potential of Robustness in Selecting Conditional Average Treatment Effect Estimators [19.053826145863113]
  本稿では,CATE推定器選択のための分布ロバスト計量(DRM)を提案する。 DRMはニュアンスフリーであり、ニュアンスパラメータのモデルに適合する必要がなくなる。 分散的に堅牢なCATE推定器の選択を効果的に優先順位付けする。
  論文  参考訳（メタデータ） (2024-02-28T15:12:24Z)
• Conformalized Selective Regression [2.3964255330849356]
  共形予測を利用した選択回帰手法を提案する。 提案手法は, 選択回帰に適合し, 複数の最先端ベースラインに対して有利であることを示す。
  論文  参考訳（メタデータ） (2024-02-26T04:43:50Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Out-of-sample scoring and automatic selection of causal estimators [0.0]
  本稿では,CATEの場合と器楽変数問題の重要な部分集合に対する新しいスコアリング手法を提案する。 私たちはそれを、DoWhyとEconMLライブラリに依存するオープンソースパッケージで実装しています。
  論文  参考訳（メタデータ） (2022-12-20T08:29:18Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• On Statistical Efficiency in Learning [37.08000833961712]
  モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。 モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。 実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
  論文  参考訳（メタデータ） (2020-12-24T16:08:29Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。