Fusing Repeated Cross-Sectional Revealed Preference Datasets based on Rational Inattention Theory: Accounting for Changing Modal Preferences
Notice bibliographique
Résumé
To address the methodological limitation of cross-sectional studies and the data constraints of longitudinal/panel studies, this paper presents a model-based method to fuse repeated cross-sectional travel survey data based on the theory of rational inattention (RI) in discrete choice modeling. In the proposed framework, older cross-sectional data are used to model the prior probability of choice alternatives, and more recent cross-sectional data are used to capture conditional heterogeneous choices. The fusion method is theoretically more robust and computationally less burdensome than existing data pooling techniques. The method is empirically tested using data from two cycles of a large-sample post-secondary student travel survey in the Greater Toronto and Hamilton Area to investigate the commuting mode choices of post-secondary students. Parameter estimates of the RI-based multinomial logit (MNL) model indicate that the proposed method can generate behaviorally consistent results. Validation of the estimated model using a holdout sample indicates its improved forecasting performance compared with the classical random utility maximizing MNL model. The fusion method can be extended to more than two cycles of repeated cross-sectional data by updating the prior probabilities whenever new cross-sectional data become available. Thus, the study presents a continuous framework for fusing information from multiple time points using repeated cross-sectional datasets to capture preference evolution better and enhance the forecasting robustness of discrete choice models.
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 | 0,012 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».