程序代写代做 • 基本介绍

• 基本介绍
混合Logit模型以多项Logit模型为基础,但两者有明显的差异。与多项Logit模型相比,混合Logit模型的效用函数由可观测效用、误差项和随机项这三个部分构成,详见式(3-2),其中,误差项的分布形式视具体情况而定,比较典型的分布有正态分布、对数正态分布、均勾分布和SB分布等,其中,均匀分布适用于二分类变量,正态分布适用于无序多分类变量,对数正态分布适用于符号为正的变量。的引入允许各选择项之间存在相关性,从而使得混合Logit模型能较好地解决IIA问题。
若决策者n选择方案i的概率为,那么,是条件选择概率的积分,是权重密度函数,效用函数和选择概率函数详见(3-2)至(3-5)。

其中,式(3-4)表示的是多项Logit模型的选择概率,由此可知混合Logit模型的选择概率实则是多项Logit模型选择概率的加权;式(3-5)中,是服从某种分布的概率密度函数,它可以是连续函数,也可以是离散函数,在实际应用中,通常被假定为连续的,比较典型的分布有正态分布、对数正态分布、均匀分布以及SB分布等。Andrews等通过实证分析方法对分别为离散分布、连续分布及混合分布时的性能差异进行了比较。需要说明的是,往往通过参数来描述,比如正态分布通常运用均值和标准差进行描述。
• 参数估计
由于式(3-5)为隐性函数,积分没有固定的形式,当的维数较大时,积分运算将变得十分复杂而难以通过解析法求解,故宜借助仿真方法求解。其中,蒙特卡洛模拟是较适用于混合Logit模型求解的仿真方法。下面具体说明运用蒙特卡洛模拟方法近似求解混合Logit模型的主要步骤。
Step1:构建所需求解问题的概率模型,详见式(3-5)。
Step2:求解仿真概率:,确定的估计值。
首先,给定取值,从密度函数中随机抽取一个随机向量,记为,并记第一次抽取为r=1;然后,的值由式(3-4)计算可得;接下来,前面两个步骤被重复R次;最后,的均值由式(3-7)计算可得,将该值作为选择概率的仿真值。

Step3:构造极大似然算子。
N记为样本容量,I记为选择方案个数;为0-1辅助变量,当决策者选择方案i时,,否则;然后,构建样本仿真似然函数,详见式(3-8);最后,取式(3-8)的对数形式,确定对数似然函数,详见式(3-9)。

Step4:改变取值,直到仿真极大似然算子取得最大值,求解值。
此时,混合Logit模型的求解己经转换为多项Logit模型的求解问题,参数估计过程也与多项Logit模型的参数估计过程一致,我们把该方法称为极大模拟似然估计法。在得到各参数的估计值之后,由式(3-7)计算决策者选择各方案的比例。需要注意的是,在混合Logit模型中,指定哪一项系数为随机系数以及随机系数的分布形式是参数估计的前提,在实际应用中,应根据具体情况而定。
4.3.2 换乘分担率组合模型构建步骤
1、确定效用函数
本文从旅客个人特性、出行特性、换乘方式特性和枢纽换乘环境感知特性四个角度构建特性变量,将枢纽换乘环境满意度潜变量添加到效用函数固定项中,则新的固定项如下所示:

式中:——旅客个人特性变量;
——旅客出行特性变量;
——换乘方式特性变量;
——枢纽换乘环境满意度特性变量;
A,B,C,D——各类特性变量的个数;
,,,——标定参数;
——误差项,常用的分布形式有对数分布、正态分布、SB分布、均匀分布等。
2、参数估计
Mix Logit模型的参数估计采用极大模拟似然估计法,具体步骤见3.1.2节。
3、模型统计量检验
评估Mix Logit模型建模精度,需要选用合适的统计量从模型参数估计和模型整体拟合两方面衡量。
1)模型参数检验
模型参数检验的目的是衡量特性变量(自变量)对方案选择(因变量)是否产生影响,将影响不显著的变量从模型中剔除,重新建模估计参数。常用的检验方法有t检验(显著性水平检验)。
t检验:
2)模型拟合检验
模型拟合检验的目的是对模型整体进行评估,即整体模型是否可行,所有自变量与因变量是否相关,相关程度有多大,模型精度有多好等。常用的检验方法有似然比的卡方检验、McFadden决定系数检验、命中率检验和拟合优度检验等。