Bayesian Disaggregate and Aggregate Calibration of Path Logit Choice Models
Notice bibliographique
Résumé
In transport demand analysis, the calibration of a model means estimation of its (endogenous) parameters from observed data with an inference statistical estimator. Indeed, these considerations apply to any choice behaviour model, such as those derived from Random Utility Theory or any other choice modelling theory. Calibration of choice models can be carried out from disaggregate vs. aggregate data, while inference statistical estimators can be specified through Bayesian vs. Classic (or Frequentist) approaches. In this paper, the resulting Bayesian or Classic disaggregate or aggregate calibration methods are discussed, analysed in detail, and compared from the mathematical point of view. These methods are applied to calibrate Logit choice models for describing path choice behaviour at national scale on a small sample. The Logit choice model can be derived from Random Utility Theory (or be considered an instance of the Bradley–Terry model). Path choice set definition is also discussed, and specialised indicators are used for result comparison. The main contributions of this study concern the use of two different estimation approaches, Bayesian vs. Classic, adopting and introducing some indicators of goodness of estimation. The results of this work, relating to the sample of users adopted, show that the Bayesian approach provides a better estimate than the Classic approach because the calibrated parameters are more stable, the specific constants of the alternatives decrease, and the resulting models show better values of clearly right indicator.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».