論文の概要: Functional effects models: Accounting for preference heterogeneity in panel data with machine learning

• arxiv url: http://arxiv.org/abs/2509.18047v1
• Date: Mon, 22 Sep 2025 17:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.536062
• Title: Functional effects models: Accounting for preference heterogeneity in panel data with machine learning
• Title（参考訳）: 機能的効果モデル:機械学習を用いたパネルデータにおける嗜好の不均一性の会計
• Authors: Nicolas Salvadé, Tim Hillel,
• Abstract要約: 本稿では、機械学習(ML)手法を用いて、社会デコグラフィ特性から個人固有の選好パラメータを学習する機能効果モデルに関する一般的な仕様を提案する。 従来の固定効果モデルとランダム/混合効果モデルに比較して,関数効果モデルの3つの具体的な利点を同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a general specification for Functional Effects Models, which use Machine Learning (ML) methodologies to learn individual-specific preference parameters from socio-demographic characteristics, therefore accounting for inter-individual heterogeneity in panel choice data. We identify three specific advantages of the Functional Effects Model over traditional fixed, and random/mixed effects models: (i) by mapping individual-specific effects as a function of socio-demographic variables, we can account for these effects when forecasting choices of previously unobserved individuals (ii) the (approximate) maximum-likelihood estimation of functional effects avoids the incidental parameters problem of the fixed effects model, even when the number of observed choices per individual is small; and (iii) we do not rely on the strong distributional assumptions of the random effects model, which may not match reality. We learn functional intercept and functional slopes with powerful non-linear machine learning regressors for tabular data, namely gradient boosting decision trees and deep neural networks. We validate our proposed methodology on a synthetic experiment and three real-world panel case studies, demonstrating that the Functional Effects Model: (i) can identify the true values of individual-specific effects when the data generation process is known; (ii) outperforms both state-of-the-art ML choice modelling techniques that omit individual heterogeneity in terms of predictive performance, as well as traditional static panel choice models in terms of learning inter-individual heterogeneity. The results indicate that the FI-RUMBoost model, which combines the individual-specific constants of the Functional Effects Model with the complex, non-linear utilities of RUMBoost, performs marginally best on large-scale revealed preference panel data.
• Abstract（参考訳）: 本稿では、機械学習(ML)手法を用いて、個人固有の選好パラメータを社会デコグラフィ特性から学習し、パネル選択データにおける個人間不均一性を考慮した機能効果モデルの一般的な仕様を提案する。 従来の固定効果モデルとランダム/混合効果モデルに比較して,関数効果モデルの3つの具体的な利点を同定する。 (i)社会デミノグラフィー変数の関数として個人固有の効果をマッピングすることにより、これまで観測されていなかった個人の選択を予測する際にこれらの効果を考慮できる。 二 機能効果の最大線量推定は、個人ごとの観察された選択数が少ない場合でも、固定効果モデルの偶発的パラメータ問題を回避する。 3) ランダム効果モデルの強い分布仮定は、現実と一致しないかもしれない。 グラフデータのための強力な非線形機械学習回帰器を用いて機能的インターセプトと機能的スロープを学習する。 提案手法を合成実験と実世界のパネルケーススタディで検証し,機能的効果モデルを示す。 i) データ生成プロセスが分かっている場合,個々の特殊効果の真の価値を識別することができる。 (II) 予測性能の観点から個々の不均一性を省略する最先端ML選択モデルと、個人間不均一性を学習するという点で従来の静的パネル選択モデルの両方に優れる。 その結果,機能効果モデルとRUMBoostの複雑で非線形なユーティリティを組み合わせたFI-RUMBoostモデルが,大規模に明らかにされた選好パネルデータに対して最良であることがわかった。

関連論文リスト

• Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
  大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。 本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。 本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
  論文  参考訳（メタデータ） (2025-07-12T08:10:10Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 これらの課題に対処するための影響関数フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Outlier Gradient Analysis: Efficiently Identifying Detrimental Training Samples for Deep Learning Models [36.05242956018461]
  本稿では,影響関数と外乱勾配検出による有害トレーニングサンプルの同定とを橋渡しする。 まず, 合成データセットにおける外乱勾配解析手法の仮説を検証した。 次に、視覚モデルにおける誤ラベルサンプルの検出と、自然言語処理トランスフォーマーモデルの性能向上のためのデータサンプル選択の有効性を示す。
  論文  参考訳（メタデータ） (2024-05-06T21:34:46Z)
• Double Machine Learning for Static Panel Models with Fixed Effects [0.0]
  パネルデータのための新しい機械学習手法を開発した。 新しい手順は、よく知られた相関ランダム効果、グループ内およびファーストディファレンス推定器の拡張である。 弊社の手続きは、英国における投票行動に対する最低賃金の影響を再見積するものである。
  論文  参考訳（メタデータ） (2023-12-13T14:34:12Z)
• A prediction and behavioural analysis of machine learning methods for modelling travel mode choice [0.26249027950824505]
  我々は、モデル選択に影響を及ぼす可能性のある重要な要因の観点から、複数のモデリング問題に対して異なるモデリングアプローチを体系的に比較する。 その結果,非凝集性予測性能が最も高いモデルでは,行動指標やアグリゲーションモードのシェアが低下することが示唆された。 MNLモデルは様々な状況において堅牢に機能するが、ML手法はWillingness to Payのような行動指標の推定を改善することができる。
  論文  参考訳（メタデータ） (2023-01-11T11:10:32Z)

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。