Discrete Choice Analysis with R

Inhaltsverzeichnis

1. Frontmatter

2. Chapter 1. Data, Models, and Software

   Antonio Páez, Geneviève Boisjoly

   Dieses Kapitel vertieft sich in das Wesen von Modellen, die als vereinfachte Darstellung der Realität dienen, um Verständnis und Analyse zu erleichtern. Es werden die drei Schlüsselelemente diskutiert, die für den Modellbau erforderlich sind: Rohstoffe, Werkzeuge und technisches Fachwissen. Der Autor untersucht verschiedene Arten von Modellen, einschließlich physikalischer, konzeptueller und statistischer / mathematischer Modelle, anhand von Beispielen und Auswertungen. Das Kapitel stellt auch das Konzept von Daten als Rohmaterial für statistische Modelle vor und erläutert verschiedene Maßstäbe der Messung, wie kategorische und quantitative. Es bietet praktische Einblicke in den Import, die Manipulation und die Visualisierung von Daten mittels R und hebt die einzigartigen Merkmale diskreter Daten hervor. Das Kapitel ist mit Codebeispielen und Übungen angereichert, was es zu einer ansprechenden und informativen Lektüre für Fachleute macht, die sich für Datenwissenschaft und statistische Modellierung interessieren.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

3. Chapter 2. Exploratory Data Analysis

   Antonio Páez, Geneviève Boisjoly

   Die Exploratory Data Analysis (EDA) ist ein wesentlicher Bestandteil diskreter Wahlmodellierung, die es den Modellierern ermöglicht, die zugrunde liegenden Muster und Beziehungen in Daten zu verstehen. Dieses Kapitel vertieft sich in verschiedene EDA-Techniken, einschließlich deskriptiver Statistiken, Visualisierung sowie bivariater und multivariater Analysen. Durch die Erforschung univarianter und multivariater Verteilungen können Modellierer Ausreißer erkennen, Hypothesen formulieren und Erkenntnisse über individuelles Verhalten und implizite Präferenzen gewinnen. Das Kapitel betont den kreativen und spielerischen Charakter der EDA und unterstreicht die Bedeutung der Visualisierung, um Daten leichter zugänglich und interpretierbar zu machen. Anhand von praktischen Beispielen und Code-Snippets werden die Leser durch den Prozess der EDA geführt, von der Datenbereinigung bis hin zur Visualisierung und Interpretation. Das Kapitel unterstreicht die Notwendigkeit eines guten Verständnisses der EDA-Werkzeuge, um die Qualität der in das Modell eingegebenen Daten zu gewährleisten und die Entwicklung robuster diskreter Auswahlmodelle zu erleichtern.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

4. Chapter 3. Fundamental Concepts

   Antonio Páez, Geneviève Boisjoly

   Das Kapitel beginnt mit der Diskussion des allgemeinen Einsatzes von Modellen zur Isolierung von Prozessen oder Dingen durch Abstraktion und Verallgemeinerung. Anschließend konzentriert sie sich auf die Modellierung von Wahlmöglichkeiten, insbesondere die Analyse diskreter Wahlmöglichkeiten, die sich durch ihre Verhaltensgrundlagen auszeichnet. Der Text untersucht das Konzept der Nutzenmaximierung als Entscheidungsregel, bei der der Entscheidungsträger die Alternative wählt, die den höchsten Nutzen bietet. Sie führt auch die Idee der zufälligen Nützlichkeit und die Verwendung von Wahrscheinlichkeitsverteilungsfunktionen ein, um probabilistische Aussagen über Entscheidungen zu treffen. Das Kapitel unterstreicht die Bedeutung des Verständnisses der zufälligen Komponenten in Entscheidungsprozessen und wie sie mithilfe unterschiedlicher Wahrscheinlichkeitsverteilungsfunktionen modelliert werden können. Darüber hinaus werden andere plausible Auswahlmechanismen wie lexikografische Auswahlmöglichkeiten und zufriedenstellendes Verhalten diskutiert, die eine abgerundete Sicht auf das Feld bieten. Das Kapitel schließt mit Übungen, die das Verständnis wichtiger Konzepte stärken und es zu einer wertvollen Ressource für diejenigen machen, die sich für die Feinheiten der Entscheidungsmodellierung interessieren.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

5. Chapter 4. Logit

   Antonio Páez, Geneviève Boisjoly

   Dieses Kapitel baut auf dem grundlegenden konzeptionellen Rahmen zur Modellierung des Entscheidungsverhaltens auf, der im vorherigen Kapitel vorgestellt wurde. Es befasst sich mit den Beschränkungen des linearen Wahrscheinlichkeitsmodells und führt das logit-Modell ein, eines der beliebtesten Modelle in der diskreten Auswahlanalyse. Das logit-Modell ist von der Extreme Value Type I-Verteilung abgeleitet, die eine realistischere Darstellung des Auswahlverhaltens ermöglicht. Das Kapitel untersucht auch die Eigenschaften des Logit-Modells, einschließlich seiner Fähigkeit, Substitutionsmuster zu handhaben und seiner Unabhängigkeit von irrelevanten Alternativen. Darüber hinaus bietet es Einblicke in die Spezifizierung systematischer Hilfsmittel und den Einfluss von Attributen auf die Wahlwahrscheinlichkeit. Im gesamten Kapitel sind praktische Beispiele und Übungen enthalten, um das Verständnis und die Anwendung des Logit-Modells zu verbessern.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

6. Chapter 5. Practical Issues in the Specification and Estimation of Discrete Choice Models

   Antonio Páez, Geneviève Boisjoly

   Das Kapitel konzentriert sich auf die praktische Anwendung diskreter Auswahlmodelle, insbesondere des multinomialen Logit-Modells. Es beginnt mit einem Überblick über die historische Entwicklung des logit-Modells und seine theoretischen Grundlagen. Der Kern des Kapitels widmet sich der Spezifikation und Schätzung von Versorgungsfunktionen unter Verwendung eines realen Datensatzes über die Wahl des Transportmodus. Der Leser wird durch die Datenaufbereitung, die Erstellung von Gebrauchsfunktionen und die Schätzung von Modellen anhand des mlogit-Pakets in R. geführt. Das Kapitel behandelt auch die Interpretation der Modellergebnisse und den Einsatz diagnostischer Werkzeuge zur Bewertung der Modellleistung. Im gesamten Kapitel wird betont, wie wichtig es ist, die Anatomie von Gebrauchsfunktionen und die praktischen Fähigkeiten zu verstehen, die für eine effektive Umsetzung des Modells erforderlich sind.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

7. Chapter 6. Behavioral Insights from Choice Models

   Antonio Páez, Geneviève Boisjoly

   Dieses Kapitel vertieft die praktischen Anwendungen diskreter Auswahlmodelle, insbesondere des multinomialen Logit-Modells, um das Verhalten zu verstehen und vorherzusagen. Aufbauend auf den Fähigkeiten, die bei der Schätzung dieser Modelle erworben wurden, untersucht das Kapitel, wie man Präferenzen ableiten und Verhaltensänderungen unter verschiedenen Bedingungen vorhersagen kann. Es bietet ein schrittweises Verfahren zur Modellabschätzung und Szenarioanalyse, das die Bedeutung systematischer Ansätze und die Grenzen von Modellvorhersagen hervorhebt. Das Kapitel bietet auch Einblicke in die Interpretation von Modellkoeffizienten, Grenzeffekten, Elastizität und Zahlungsbereitschaft, was es zu einer wertvollen Ressource für Fachleute macht, die diese Modelle im realen Kontext anwenden wollen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

8. Chapter 7. Non-proportional Substitution Patterns I: Generalized Extreme Value Models

   Antonio Páez, Geneviève Boisjoly

   Das Kapitel beginnt mit einer Überarbeitung des multinomialen Logit-Modells, wobei dessen intuitive Beschaffenheit und analytischer Komfort hervorgehoben werden. Anschließend geht sie der impliziten Annahme des Modells von der Unabhängigkeit irrelevanter Alternativen nach, die zu proportionalen Substitutionsmustern führt. Der Autor hinterfragt den Realismus dieser Muster nach der Einführung eines neuen Heizsystems anhand einer Fallstudie mit fünf verschiedenen Heizoptionen. Im Kapitel wird ein multinomiales Logit-Modell geschätzt, die Schätzergebnisse präsentiert und ihre Auswirkungen diskutiert. Die Analyse zeigt die Grenzen des Modells bei der Erfassung nicht proportionaler Substitutionsmuster auf und bietet Einblicke in die Leistung des Modells und die Notwendigkeit alternativer Ansätze bei der Analyse diskreter Wahlmöglichkeiten.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

9. Chapter 8. Non-proportional Substitution Patterns II: The Probit Model

   Antonio Páez, Geneviève Boisjoly

   Das Kapitel vertieft sich in das multinomiale Probit-Modell, ein ausgeklügeltes Werkzeug zur Analyse diskreter Auswahlmöglichkeiten, das die Beschränkungen des verschachtelten Logit-Modells anspricht. Durch die Einbeziehung einer Normalverteilung für zufällige Nutzungsbedingungen berücksichtigt das Probit-Modell Korrelationen zwischen Alternativen und ermöglicht flexible Substitutionsmuster. Diese Flexibilität geht jedoch auf Kosten einer erhöhten Rechenkomplexität, die numerische Integrationstechniken wie Simulationsmethoden zur Schätzung erfordert. Das Kapitel bietet eine detaillierte Erläuterung der theoretischen Grundlagen, Schätzprozesse und praktischen Anwendungen des Modells und einen umfassenden Leitfaden für Spezialisten, die fortgeschrittene Methoden der Choice-Modellierung suchen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

10. Chapter 9. Dealing with Heterogeneity I: The Latent Class Logit Model

    Antonio Páez, Geneviève Boisjoly

    Das Kapitel vertieft sich in die komplexe Frage der Geschmacksvariation in der Analyse diskreter Auswahlmöglichkeiten und konzentriert sich auf das Logit-Modell der latenten Klasse als Mittel, um systematische Nutzenunterschiede zwischen verschiedenen Bevölkerungssegmenten zu berücksichtigen. Es beginnt mit der Diskussion der Beschränkungen traditioneller Modelle wie des Logit-Modells, die aufgrund einer Restkorrelation zu unangemessenen Substitutionsmustern führen können. Das Latent Class Logit Model führt eine hierarchische Entscheidungsstruktur ein, die flexiblere Substitutionsmuster ermöglicht. Das Kapitel verwendet einen realen Datensatz über Transportmöglichkeiten in Sierra Leone, um die Anwendung dieses Modells zu veranschaulichen. Er führt die Leser durch den Schätzprozess und betont die Bedeutung des Verständnisses unbeobachteter Bevölkerungssegmente bei der Entscheidungsfindung. Das Kapitel schließt mit der Betonung des Wertes des Modells bei der Bereitstellung von Verhaltenseinsichten und seiner Rolle als Vorläufer fortgeschrittenerer gemischter Logit-Modelle.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

11. Chapter 10. Dealing with Heterogeneity II: The Mixed Logit Model

    Antonio Páez, Geneviève Boisjoly

    Dieses Kapitel befasst sich mit dem Mixed-Logit-Modell, einer fortgeschrittenen Technik zur Handhabung von Geschmacksvariationen bei der Auswahlmodellierung. Es baut auf dem latenten Klassenlogit-Modell auf und führt Zufallskoeffizienten und Fehlerkomponenten ein, um unbemerkte Heterogenität besser zu erfassen. Das Kapitel verwendet einen Datensatz aus dem AER-Paket, um die Anwendung des Modells zu veranschaulichen und es mit multinomialen Logit, verschachtelten Logit und multinomialen Probit-Modellen zu vergleichen. Die Fähigkeit des gemischten Logit-Modells, jedes beliebige diskrete Auswahlmodell anzunähern, und seine intuitive Interpretation der Ergebnisse werden hervorgehoben. Praxisbeispiele und Code-Schnipsel werden bereitgestellt, was sie zu einer wertvollen Ressource für Ökonometriker und Datenwissenschaftler macht, die fortgeschrittene Methoden der Choice-Modellierung verstehen und anwenden wollen.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

12. Chapter 11. Models for Ordinal Responses

    Antonio Páez, Geneviève Boisjoly

    Dieses Kapitel befasst sich mit der Modellierung ordinaler Reaktionen, die kategorische Variablen sind, die einer natürlichen Abfolge folgen, wie Bewertungen und Zufriedenheitsskalen. Im Gegensatz zu ungeordneten Entscheidungen repräsentieren ordinale Reaktionen unterschiedliche Ebenen derselben Einheit auf einer einzigen Dimension. Das Kapitel erklärt, wie man das diskrete Auswahlsystem anpasst, um diese Reaktionen zu modellieren, und stellt das ordinale Logit-Modell und seine Erweiterungen vor. Praxisbeispiele wie die Modellierung der Zufriedenheit mit öffentlichen Verkehrsmitteln veranschaulichen die Anwendung dieser Modelle. Das Kapitel behandelt auch fortgeschrittene Themen wie proportionale Odds, nicht proportionale Odds und multivariate Ordinalmodelle, was es zu einer wertvollen Ressource für Spezialisten in der statistischen Modellierung und der Analyse diskreter Entscheidungen macht.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

13. Backmatter