.png){kind=icon}
.png){kind=icon}
返回
A hierarchical Bayesian discrete-continuous mixture model with nested Dirichlet processes
.png){kind=icon}
PRE
AI
DOI：10.1080/02331888.2026.2654459.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
离散选择模型通常将偏好异质性表示为连续随机系数或离散潜在类别。然而，许多现实世界的选择情境具有体制层级和体制内异质性特征。本文提出了一种嵌套狄利克雷过程先验的层次贝叶斯离散-连续潜在类别选择模型，其中宏观体制和微观类别的数量可以从数据中估计。采用截断变分贝叶斯与局部拉普拉斯更新进行估计。通过包含1,500个个体、6个选择情境和3个备选方案的蒙特卡洛研究，利用训练-测试验证过程评估模型性能，报告了保留对数似然和聚类准确率评分。所提出的模型在潜在结构恢复和预测性能方面优于多项逻辑回归、混合逻辑回归和潜在类别基准。在瑞士地铁（Swissmetro）数据集的应用中观察到类似的保留预测增益。总体而言，研究结果表明，当模型考虑分层异质性时，行为可解释性和预测精度得到提高。
Keyword:
Hierarchical discrete choice model
latent class choice model
layered heterogeneity
Dirichlet process
variational Bayesian inference