Bayesian Approach for Identifying Efficient Stated-Choice Survey Designs with Reduced Prior Information
Notice bibliographique
Résumé
This paper presents the results of a stated-choice survey design in which reduced information is available about the values of the parameters. The main objective of the survey is to develop discrete choice models to analyze the carrier selection process by shippers. The only information available is the expected sign of the parameter in the utility function. Therefore, the use of a Bayesian approach is necessary in analyzing the efficiency of potential survey designs. The measure of efficiency adopted is the 95th percentile value of the D-error, the determinant of the asymptotic variance–covariance matrix, obtained via Monte Carlo simulation. This measure would maximize the expected gain of information with the experiment. In the survey, the respondents (shippers) will be asked to provide the main carrier's attributes used in the selection process. On the basis of the answers, the survey will be customized to each respondent (situation). In this paper, only the results of the design for situations in which shippers select continuous attributes are presented. An algorithm is developed in a statistical package to search and evaluate the efficiency of 1,000 randomly selected potential survey designs. The algorithm maintains the 10 most efficient designs to be evaluated and uses box plots to identify the most suitable design. The results show that the approach adopted improves the efficiency of the design substantially, which would result in more accurate models from the survey data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,122 | 0,269 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».