Estimando valor de tempo de viagem com diferentes fontes de dados utilizando modelos logit
Bibliographic record
Abstract
A estimação de parâmetros de valor de tempo de viagem - VTV - pode ser feita utilizando metodologias diversas divididas em duas vertentes de especificação funcional a de equações estruturadas com base na teoria econômica e a essencialmente estatística com múltiplas equações. A primeira abordagem é a adotada neste trabalho, pois ela apresenta maior racionalidade e durante a evolução dos modelos de estimação do VTV, muitas dúvidas surgiram dos métodos de estimativas principalmente da fidedignidade dos parâmetros estimados relação ao parâmetro populacional. Dentre os métodos de estimação um que se propõe a melhorar os resultados é o de juntar fontes de dados distintas, mas que não foi utilizado para ver a melhoria na estimação do VTV. Neste sentido, este trabalho apresenta um estudo relativo a estimações de modelos de escolha discreta utilizando uma combinação de duas fontes de dados e calculando os valores de tempo para diferentes modelos estruturais, conforme a teoria do valor de tempo. O trabalho amplia a abordagem de Morikawa (1989) formalizando as hipóteses necessárias a uma estimação com duas fontes de dados provenientes da pesquisa do Plano Diretor de Operação de Transporte do Ceará e indica que a combinação das fontes de dados de preferência declarada e revelada feita naquele estado gera resultados diferentes do modelo clássico logit e que isso dependerá da fonte geradora de dados.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".