Modelling household online shopping and home delivery demand using latent class & ordinal generalized extreme value (GEV) models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The surge in e-commerce during the past decade has led to dramatic changes in consumer shopping behaviour. The study applies two Generalized Extreme Value (GEV) family models to investigate households' e-shopping demands. The study proposes a model structure to jointly model ordinal-based choice behaviour with choice-makers' latent class membership. Introducing latent class structure with the OGEV formulation accounts for the relationship between choice-makers heterogeneous preferential groups and their ordinal choice outcomes. Furthermore, the study also applies the Ordered General Extreme Value (OGEV)-Negative Binomial (NB) model, capturing the interplay between consumers' in-store shopping demands and online shopping behaviour. The RUM principle inherited within the OGEV-NB model allows econometric valuation of in-store shopping activity explicitly considering households' e-shopping demands. Both models are empirically estimated using a dataset collected in the Greater Toronto Area (GTA), Canada. The empirical findings and behavioural implications are also discussed. • The study proposes a GEV model to jointly model ordinal-based choice behaviour with latent class membership. • The formulation accounts for choice-makers heterogeneous preferential groups and their ordinal-in-nature choice outcomes. • The latent class & OGEV model is applied to households' e-shopping demands. • The study also applies the OGEV-NB model, capturing consumers' in-store shopping demands and online shopping behaviour. • The RUM principle inherited within the OGEV-NB model allows explicit econometric valuation of in-store shopping activity.
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.
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) | 0,001 | 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 | 0,001 |
| 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 découle