On the estimation of discrete choice models to capture irrational\n customer behaviors
Notice bibliographique
Résumé
The Random Utility Maximization model is by far the most adopted framework to\nestimate consumer choice behavior. However, behavioral economics has provided\nstrong empirical evidence of irrational choice behavior, such as halo effects,\nthat are incompatible with this framework. Models belonging to the Random\nUtility Maximization family may therefore not accurately capture such\nirrational behavior. Hence, more general choice models, overcoming such\nlimitations, have been proposed. However, the flexibility of such models comes\nat the price of increased risk of overfitting. As such, estimating such models\nremains a challenge. In this work, we propose an estimation method for the\nrecently proposed Generalized Stochastic Preference choice model, which\nsubsumes the family of Random Utility Maximization models and is capable of\ncapturing halo effects. Specifically, we show how to use partially-ranked\npreferences to efficiently model rational and irrational customer types from\ntransaction data. Our estimation procedure is based on column generation, where\nrelevant customer types are efficiently extracted by expanding a tree-like data\nstructure containing the customer behaviors. Further, we propose a new\ndominance rule among customer types whose effect is to prioritize low orders of\ninteractions among products. An extensive set of experiments assesses the\npredictive accuracy of the proposed approach. Our results show that accounting\nfor irrational preferences can boost predictive accuracy by 12.5% on average,\nwhen tested on a real-world dataset from a large chain of grocery and drug\nstores.\n
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».