論文の概要: Choice Models and Permutation Invariance
- arxiv url: http://arxiv.org/abs/2307.07090v1
- Date: Thu, 13 Jul 2023 23:24:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 15:21:29.817791
- Title: Choice Models and Permutation Invariance
- Title(参考訳): 選択モデルと置換不変性
- Authors: Amandeep Singh, Ye Liu, and Hema Yoganarasimhan
- Abstract要約: ニューラルネットのような非パラメトリック推定器は、選択関数を簡単に近似できることを示す。
提案する関数は、完全にデータ駆動方式で、消費者の振る舞いを柔軟に捉えることができる。
我々の経験的分析により、推定器は現実的かつ同等の自己およびクロスプライス弾性を生成することが確認された。
- 参考スコア(独自算出の注目度): 4.092105406349636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Choice Modeling is at the core of many economics, operations, and marketing
problems. In this paper, we propose a fundamental characterization of choice
functions that encompasses a wide variety of extant choice models. We
demonstrate how nonparametric estimators like neural nets can easily
approximate such functionals and overcome the curse of dimensionality that is
inherent in the non-parametric estimation of choice functions. We demonstrate
through extensive simulations that our proposed functionals can flexibly
capture underlying consumer behavior in a completely data-driven fashion and
outperform traditional parametric models. As demand settings often exhibit
endogenous features, we extend our framework to incorporate estimation under
endogenous features. Further, we also describe a formal inference procedure to
construct valid confidence intervals on objects of interest like price
elasticity. Finally, to assess the practical applicability of our estimator, we
utilize a real-world dataset from S. Berry, Levinsohn, and Pakes (1995). Our
empirical analysis confirms that the estimator generates realistic and
comparable own- and cross-price elasticities that are consistent with the
observations reported in the existing literature.
- Abstract(参考訳): 選択モデリングは、多くの経済学、オペレーション、マーケティング問題の核心にある。
本稿では,多種多様な選択モデルを包含する選択関数の基本的特徴付けを提案する。
ニューラルネットのような非パラメトリック推定器がそのような関数を容易に近似し、選択関数の非パラメトリック推定に内在する次元の呪いを克服できることを実証する。
提案する関数は、完全にデータ駆動方式で消費者の振る舞いを柔軟に捉え、従来のパラメトリックモデルより優れていることを示す。
需要設定はしばしば内在的特徴を示すので、内在的特徴に推定を組み込むようフレームワークを拡張します。
さらに,価格弾性などの興味のある対象に対して,信頼区間を妥当に構築するための形式的推論手順についても述べる。
最後に,S. Berry, Levinsohn, Pakes (1995) による実世界のデータセットを用いて, 推定器の実用性を評価する。
実験分析により,既存の文献で報告された観測結果と一致した,現実的かつ同等な自己および相互価格の弾性を推定できることを確認した。
関連論文リスト
- Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。
我々は推論プロセスを自動微分に適した最適化問題に変換する。
提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文 参考訳(メタデータ) (2024-03-08T14:45:18Z) - Fair Multivariate Adaptive Regression Splines for Ensuring Equity and
Transparency [1.124958340749622]
学習過程に公平度を組み込んだMARSに基づく公正度予測モデルを提案する。
MARSは、特徴選択を行い、非線形関係を扱い、解釈可能な決定ルールを生成し、変数の最適分割基準を導出する非パラメトリック回帰モデルである。
実世界のデータにfairMARSモデルを適用し、精度とエクイティの観点からその有効性を実証する。
論文 参考訳(メタデータ) (2024-02-23T19:02:24Z) - 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) - Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。
Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。
LASSO を用いて Model-to-Match フレームワークを運用する。
論文 参考訳(メタデータ) (2023-02-23T00:43:03Z) - Attitudes and Latent Class Choice Models using Machine learning [0.0]
LCCM (Latent Class Choice Models) の仕様において, 位置インジケータを効率的に組み込む手法を提案する。
この定式化は、位置指標と決定選択との関係を探索する能力において構造方程式を克服する。
我々は,デンマークのコペンハーゲンから,カーシェアリング(Car-Sharing, CS)サービスサブスクリプションの選択を推定するためのフレームワークをテストした。
論文 参考訳(メタデータ) (2023-02-20T10:03:01Z) - Machine Learning based Framework for Robust Price-Sensitivity Estimation
with Application to Airline Pricing [20.5282398019991]
本稿では,機能依存型価格感度の存在下での製品の動的価格設定の問題について考察する。
価格関連部がパラメトリックなフレキシブルで解釈可能な需要モデルを構築した。
モデルの残りの部分(ニュアンス)は非パラメトリックであり、洗練されたML技術によってモデル化することができる。
論文 参考訳(メタデータ) (2022-05-04T03:35:12Z) - Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian
Nonparametrics [85.31247588089686]
変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。
ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
論文 参考訳(メタデータ) (2021-07-08T03:40:18Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳(メタデータ) (2021-02-17T18:25:30Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳(メタデータ) (2021-01-18T08:37:13Z) - Deep Learning for Individual Heterogeneity: An Automatic Inference
Framework [2.6813717321945107]
本研究では,機械学習を用いた推定と推定手法を開発し,経済モデルを強化する。
経済モデルの構造に合わせてネットワークアーキテクチャを設計する方法を示す。
我々は、新しい影響関数計算に基づいて推論を得る。
論文 参考訳(メタデータ) (2020-10-28T01:41:47Z)
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。