İç İçe Logit Ayrık Seçim Modeli
Nested Logit Discrete Choice Model · Ayrıca şöyle bilinir: Tree Logit Model, Hierarchical Logit Model, Generalized Extreme Value Logit, İç İçe Logit Modeli
İç İçe Logit modeli, birbirini dışlayan alternatifleri hiyerarşik yuvalara (nests) gruplayan bir ayrık seçim çerçevesidir. Bu model, her yuva içindeki gözlemlenmeyen faydaların korelasyonlu olmasına izin verirken, yuvalar arasındaki bağımsızlığı korur. Ben-Akiva ve Lerman (1985) tarafından resmi olarak tanıtılan ve McFadden'ın Genelleştirilmiş Ekstrem Değer (GEV) teorisine dayanan bu model, standart Çoklu Nominal Logit'i, önceden tanımlanmış benzer alternatif grupları içindeki kısıtlayıcı İlgisiz Alternatiflerin Bağımsızlığı (IIA) varsayımını gevşeterek genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Karar vericilerin, standart Çoklu Nominal Logit'in IIA varsayımını gruplar içinde makul olmayan kılan, korelasyonlu gözlemlenmeyen faktörleri paylaşan kümeler halinde anlamlı bir şekilde gruplanabilen ayrık alternatifler kümesiyle karşılaştığı durumlarda İç İçe Logit kullanın. Örneklem büyüklüklerinin hiyerarşik maksimum olabilirlik tahminini desteklediği ve yuvalama yapısının veri güdümlü olmaktan çok teorik olarak gerekçelendirildiği durumlarda uygundur. Sınırlamalar arasında dayatılan ağaç yapısına duyarlılık, tutarlılık için lambda_m'nin (0, 1] aralığında olması gerekliliği ve yuvalarda az sayıda alternatif olduğunda tanımlanabilirlik sorunları yer alır. Korelasyon örüntüsünün daha karmaşık veya bilinmediği durumlarda Karışık Logit veya Probit modelleri düşünülmelidir.
Güçlü yönler & sınırlılıklar
- Yuvalar içindeki IIA varsayımını gevşetir, benzer alternatifler arasında gerçekçi ikame örüntülerine izin verir.
- Genelleştirilmiş Ekstrem Değer teorisine dayanır, rastgele fayda maksimizasyonundan türetilen teorik olarak tutarlı bir olasılık modeli sağlar.
- Kapsayıcı değer parametresi lambda, yuva içi benzerlik ve çapraz esneklik hakkında yorumlanabilir bir ölçüt sunar.
- Orta sayıda alternatif için Tam Bilgi Maksimum Olabilirlik probit modellerinden hesaplama açısından daha yönetilebilirdir.
- Yuvalama yapısı analist tarafından önceden belirlenmelidir; yuvaların yanlış belirtilmesi yanlı parametrelere ve hatalı esnekliklere yol açar.
- Küresel tutarlılık için lambda_m'nin (0, 1] aralığında olmasını gerektirir; bu aralığın dışındaki değerler modelin yanlış belirtildiğini gösterir.
- IIA hala yuvalar arasında geçerlidir, bu da farklı yuvalardaki alternatifler gözlemlenmeyen nitelikleri paylaştığında gerçekçi olmayabilir.
- Tahmin karmaşıklığı yuva ve seviye sayısıyla artar; derin hiyerarşiler küçük örneklemlerde tanımlama sorunlarına neden olabilir.
SSS
İç İçe Logit, Çoklu Nominal Logit'ten nasıl farklıdır?
Çoklu Nominal Logit, tüm alternatiflerin bağımsız ve aynı şekilde dağılmış hatalara sahip olduğunu (IIA küresel olarak geçerlidir) varsayar, bu da tüm çiftler arasında orantılı ikame anlamına gelir. İç İçe Logit, yuvalar içinde korelasyonlu hatalara izin verir, bu nedenle bir alternatifin eklenmesi, tüm alternatiflerden eşit olarak değil, aynı yuvadaki diğer alternatiflerden orantısız bir şekilde pay çeker, bu da daha gerçekçi çapraz esneklik örüntüleri verir.
Kapsayıcı değer parametresi lambda_m neyi temsil eder?
Lambda_m, m yuvası için uyumsuzluk veya ölçek parametresidir. Fayda maksimizasyonu altında 0 ile 1 arasında değişir: 1'e yakın bir değer, yuvadaki alternatiflerin zar zor korelasyonlu olduğu (standart logite benzer) anlamına gelirken, 0'a yakın bir değer, bunların neredeyse mükemmel ikameler olduğu anlamına gelir. Ayrıca yuva içi ölçeğin üst düzey ölçeğine oranı olarak da eşittir.
İç İçe Logit'in ikiden fazla seviyesi olabilir mi?
Evet. GEV çerçevesi içinde teorik olarak üç seviyeli (veya daha derin) iç içe bir yapıya izin verilir. Her ek seviye kendi uyumsuzluk parametrelerini ve kapsayıcı değerlerini tanıtır. Ancak, tanımlanabilirlik hızla zorlaşır ve derin hiyerarşiler büyük örneklemler ve her dallanma seviyesi için güçlü teorik gerekçelendirme gerektirir.
Kaynaklar
- Ben-Akiva, M., & Lerman, S. R. (1985). Discrete Choice Analysis: Theory and Application to Travel Demand. MIT Press. ISBN: 978-0-262-02217-0
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Nested Logit Discrete Choice Model. ScholarGate. https://scholargate.app/tr/econometrics/nested-logit
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karma Logit ModeliEkonometri↔ karşılaştır
- Çok Değişkenli Lojistik RegresyonEkonometri↔ karşılaştır
- Mekansal Etkileşim (Kütleçekim) ModelleriMekânsal analiz↔ karşılaştır