Inferences of robust behavioural and statistical models are insensitive to outlying observations resulting from aberrant behaviour, misreporting and misclassification. Standard discrete choice models such as logit and probit lack robustness to outliers due to their rigid kernel error distributions. In this paper, we analyse two robust alternatives to the multinomial probit (MNP) model. The two models belong to the family of robit models whose kernel error distributions are heavy-tailed t-distributions which moderate the influence of outlying observations. The first model is the multinomial robit (MNR) model, in which a generic degrees of freedom parameter controls the heavy-tailedness of the kernel error distribution. The second model, the generalised multinomial robit (Gen-MNR) model, is more flexible than MNR, as it allows for distinct heavy-tailedness in each dimension of the kernel error distribution. For both models, we derive efficient Gibbs sampling schemes, which also allow for a straightforward inclusion of random parameters. In a simulation study, we illustrate the excellent finite sample properties of the proposed Bayes estimators and show that MNR and Gen-MNR produce more exact elasticity estimates if the choice data contain outliers through the lens of the non-robust MNP model. In a case study on transport mode choice behaviour, MNR and Gen-MNR outperform MNP by substantial margins in terms of in-sample fit and out-of-sample predictive accuracy. We also find that the benefits of the more flexible kernel error distributions underlying MNR and Gen-MNR are maintained in the presence of random heterogeneity.


翻译:稳健的行为模型和统计模型的推论对偏差行为、误报和分类错误所产生的偏差性观测不敏感。标准离散的选择模型,如逻辑和线条模型,由于内部错误分布的僵硬性,缺乏对外部值的稳健性。在本文中,我们分析了多肠刺(MNP)模型的两种强健替代物。这两种模型属于强盗模型的组合,其内核差分布是重尾差分布,缓解了偏差观测的影响。第一个模型是多鼻子抢劫(MNR)模型,其中自由参数的通用度控制了内核差分布的重性。第二个模型,即通用多肠刺(Gen-MNR)模型比M(Gen-MNR)模型更灵活,因为它允许模型中每个层面都有明显的重尾部差差。对于这两种模型,我们推出高效的 GIFS 取样计划,这也允许将非随机值纳入。在模拟研究中,我们用通用自由度参数来说明最精确的MRMM(MR) 模型的精度模型的精度模型,如果在模拟研究中,则用精度模型的精度模型的精度模型的精度,则用精度模型的精度,则用精度的精度模型的精度分析的精度的精度,则用精度来显示的精度能性能的精度的精度的精度的精度能性能性能的精度分析性能的精度,则在模拟的精度,在模拟的精度,在模拟研究中显示的精度能性能性能性能中进行。

0
下载
关闭预览

相关内容

剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
专知会员服务
42+阅读 · 2020年12月18日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
53+阅读 · 2020年10月11日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年7月8日
Predicting with Confidence on Unseen Distributions
Arxiv
0+阅读 · 2021年7月7日
VIP会员
相关VIP内容
剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
专知会员服务
42+阅读 · 2020年12月18日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
53+阅读 · 2020年10月11日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员