Mixed Multinomial Probit Model Accommodating Flexible Covariance Structure and Random Taste Variation: An Application to Commute Mode Choice Behavior
Notice bibliographique
Résumé
This paper developed a mixed multinomial probit (MMNP) model with alternative error specification and random coefficients (for both generic variables and personal attributes) to accommodate flexible covariance structure and taste variation. The MMNP model can be efficiently estimated with analytic approximations of multivariate normal cumulative distribution functions, which avoid defects of simulation-based integration in the mixed multinomial logit (MMNL) model. The integral dimension of the MMNL model increases as random coefficients increase, but it only depends on the number of available alternatives in the MMNP model. Simulation experiments and empirical analysis of Shanghai commuters’ mode choice behavior were undertaken to examine the performance of MMNP models. Both simulation results and empirical results show that MMNP models can well accommodate flexible covariance structures and taste variation reflected through random coefficients being associated with both generic and personal variables. Empirical results indicate that the MMNP model performs better than traditional discrete choice models, such as the multinomial logit, the cross-nested logit, MMNL, and multinomial probit models. Random coefficients of “in-vehicle time of car” and “number of companions” indicate taste heterogeneity and the identifiability of random coefficients associated with both generic and personal attributes. Pairwise positive correlations between car/taxi, bus/metro, and bus/bus and metro are to be expected. However, the positive correlation between the car and metro modes may be unique to the Chinese city, Shanghai, because of the developed metro system. Unequal error variances reflect heterogeneities in unspecified factors in commute modes’ utilities. The MMNP model will offer an alternative efficient way to accommodate taste heterogeneity and flexible error covariance structure in discrete choice models. Compared with the MMNL model, the MMNP model can accommodate more random coefficients without increasing computational complexity.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».