Ayrık Seçim Simülasyonu — İfade Edilmiş Tercih Politika Modellemesi
Discrete Choice Simulation (Stated Preference / SP Simulation) · Ayrıca şöyle bilinir: stated preference simulation, SP simulation, revealed preference modelling, Ayrık Seçim Simülasyonu (Stated Preference / SP Simulation)
Ayrık seçim simülasyonu, Daniel McFadden tarafından 1970'lerde biçimlendirilen ve Kenneth Train tarafından simülasyon tabanlı kestirime genişletilen rassal fayda teorisine dayanan davranışsal bir modelleme yöntemidir; bu yöntem, bireylerin karşılıklı olarak dışlayıcı alternatifler arasından nasıl seçim yaptığını kestirir ve ardından bu kestirilen tercih parametrelerini kullanarak varsayımsal politika veya piyasa senaryoları altında seçim paylarının nasıl değişeceğini öngörür. Ulaşım talep analizi, sağlık ekonomisi, çevre değerlemesi ve pazarlama araştırmalarında baskın nicel araçtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ayrık seçim simülasyonu, bireyler karşılıklı olarak dışlayıcı alternatiflerle karşılaştığında ve amaç özellik düzeyindeki tercihleri anlamak ve seçim paylarının politika veya ürün değişikliklerine nasıl yanıt verdiğini öngörmek olduğunda uygundur. Yöntem, kategorik, sıralı ve sürekli özellik değişkenlerini işler. Kesitsel ve boylamsal (panel) veri yapılarına uyar. Gerçek dünya varyasyonu yetersiz olduğunda veya gelecekteki alternatiflerin değerlendirilmesi gerektiğinde ifade edilmiş tercih tasarımları kullanılır; gerçek seçim kayıtları mevcut olduğunda açığa vurulmuş tercih verileri kullanılır. Temel çok terimli logitin IIA varsayımı makul olmalıdır; alternatifler gözlemlenmeyen benzerlikleri paylaşıyorsa, yuvalanmış veya karışık logit gereklidir. En az 100 katılımcı gereklidir; karışık logit daha fazlasını gerektirir.
Güçlü yönler & sınırlılıklar
- Davranışsal mikro-temel sağlar: fayda parametreleri doğrudan takas oranları ve ödemeye razılık değerleri olarak yorumlanabilir.
- Model tahmin edildikten sonra gerçek dünya deneyleri olmadan politika karşı-olgusallıklarına olanak tanır — özellik seviyelerinin herhangi bir kombinasyonu değerlendirilebilir.
- Karışık logit, tercih heterojenliğini ve alternatifler arasındaki korelasyonu yakalar, temel logitin kısıtlayıcı IIA varsayımını ortadan kaldırır.
- Aynı modelleme çerçevesi ile ulaşım, sağlık, çevre ve pazarlama alanlarında uygulanabilir.
- Varsayımsal yanlılık: ifade edilmiş tercih yanıtları, gerçek seçimlere kıyasla ödemeye razılık değerini abartabilir.
- Karışık logit kestirimi, hesaplama açısından yoğun olabilen ve simülasyon çizimlerinin sayısına duyarlı olan Monte Carlo entegrasyonu gerektirir.
- Temel MNL'nin IIA özelliği pratikte sıklıkla ihlal edilir; bunu teşhis etmek ve ele almak model seçimi becerisi gerektirir.
- Ödemeye razılık kestirimleri, fayda belirtimine ve karışık logitteki rassal parametrelerin varsayılan dağılımına duyarlı olabilir.
SSS
İfade edilmiş tercih ve açığa vurulmuş tercih verileri arasındaki fark nedir?
Açığa vurulmuş tercih (RP) verileri, gerçek piyasalarda gözlemlenen geçmiş gerçek seçimleri kaydeder — örneğin, bir yolcunun aslında hangi ulaşım modunu kullandığı. İfade edilmiş tercih (SP) verileri, dikkatlice tasarlanmış seçim senaryoları sunulan anket katılımcılarından varsayımsal seçimler toplar. RP verileri gerçek kararları yansıtır ancak gerçek dünyada mevcut olan özellik varyasyonu ile sınırlıdır; SP verileri, analistin gözlemlenen aralıkların ötesindeki özellikleri değiştirmesine ve henüz var olmayan alternatifleri test etmesine olanak tanır, bu da potansiyel varsayımsal yanlılık maliyetiyle olur.
Ne zaman çok terimli logit yerine karışık logit kullanmalıyım?
İlgisiz alternatiflerin bağımsızlığı (IIA) varsayımının savunulabilir olduğu — yani, alternatiflerin gözlemlenmeyen benzerlikleri paylaşmadığı — durumlarda başlangıç noktası olarak çok terimli logit (MNL) kullanın. Bir Hausman-McFadden testi veya bağlamsal akıl yürütme IIA'nın ihlal edildiğini gösteriyorsa veya bireyler arasında anlamlı tercih heterojenliği bekliyorsanız, karışık logite geçin. Karışık logit her iki sorunu da barındırabilir ancak rassal parametrelerin dağılımını belirtmeyi ve kestirim sırasında Monte Carlo simülasyonu kullanmayı gerektirir.
Karışık logit için kaç simülasyon çizimi gereklidir?
Train (2009), kestirim için 100-500 Halton veya Sobol yarı-rassal çizimle başlamayı önerir. Kararlılık, daha büyük bir çizim sayısıyla kestirimi tekrarlayarak ve parametre kestirimlerinin ve standart hataların önemli ölçüde değişmediğini onaylayarak doğrulanmalıdır. Simülasyon gürültüsü standart hataları artırır ve çizim sayıları çok düşükse kestirimleri yanlı hale getirebilir; nihai raporlanan modeller için 1.000 veya daha fazla çizim yaygın bir uygulamadır.
Ayrık seçim modelinden ödemeye razılık nasıl hesaplanır?
Bir özellik için ödemeye razılık (WTP), o özelliğin fayda katsayısının maliyet (fiyat) katsayısına negatif oranıdır: WTP = −(β_özellik / β_maliyet). Rassal maliyet katsayısına sahip karışık logitte, bu oran tek bir sayı yerine bir dağılımdır; WTP-uzayı parametrizasyonu, WTP'yi bir orandan türetmek yerine rassal parametre olarak doğrudan modelleyerek sayısal kararsızlığı önler.
Kaynaklar
- Train, K.E. (2009). Discrete Choice Methods with Simulation (2nd ed.). Cambridge University Press. DOI: 10.1017/CBO9780511753930 ↗
- Ben-Akiva, M. & Lerman, S.R. (1985). Discrete Choice Analysis: Theory and Application to Travel Demand. MIT Press. ISBN: 978-0262022170
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Discrete Choice Simulation (Stated Preference / SP Simulation). ScholarGate. https://scholargate.app/tr/simulation/discrete-choice-simulation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bileşik AnalizDeney tasarımı↔ karşılaştır
- MikrosimülasyonSimülasyon↔ karşılaştır
- Karma Logit ModeliEkonometri↔ karşılaştır
- Monte Carlo SimülasyonuKarar verme↔ karşılaştır
- Çok Değişkenli Lojistik RegresyonEkonometri↔ karşılaştır