Séance de cours

Dérivation du modèle logit

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours se concentre sur le modèle logit, en examinant ses composants clés: l'ensemble de choix C_n, le terme d'erreur epsilon_in et la partie déterministe V_in de la fonction utilitaire. L'hypothèse de variables aléatoires indépendantes pour epsilon_in est discutée, à la suite d'une distribution avec le paramètre de localisation 0 et le paramètre d'échelle mu. L'importance de comprendre l'hypothèse d'indépendance entre les alternatives i et les individus n est mise en évidence, le paramètre mu étant le même pour tous les individus et les alternatives. Le défi d'identifier le paramètre d'échelle mu à partir des données est abordé, en soulignant la nécessité d'une normalisation à un lors de l'estimation du modèle.

Dans MOOC

Introduction aux modèles de choix discrets

Le comportement humain est complexe et imprévisible. Ou l'est-il ? Prédire le comportement à l'aide de modèles mathématiques est le sujet de ce cours. Plus précisément, nous nous concentrons sur la modélisation des choix, afin d'obtenir des modèles de demande désagrégés. En se concentrant sur le modèle logit, le cours couvre en détail la spécification du modèle, l'estimation de ses paramètres, la validation et l'application. Des exercices utilisant le logiciel Biogeme sont également proposés. Des études d

Source officielle

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Concepts associés (18)

Discrete choice

In economics, discrete choice models, or qualitative choice models, describe, explain, and predict choices between two or more discrete alternatives, such as entering or not entering the labor market, or choosing between modes of transport. Such choices contrast with standard consumption models in which the quantity of each good consumed is assumed to be a continuous variable. In the continuous case, calculus methods (e.g. first-order conditions) can be used to determine the optimum amount chosen, and demand can be modeled empirically using regression analysis.

Logit

La fonction logit est une fonction mathématique utilisée principalement en statistiques et pour la régression logistique, en intelligence artificielle (réseaux neuronaux), en inférence bayésienne pour transformer les probabilités sur [0,1] en évidence sur R afin d'une part d'éviter des renormalisations permanentes, et d'autre part de rendre additive la formule de Bayes pour faciliter les calculs. Son expression est où p est défini sur ]0, 1[ La base du logarithme utilisé est sans importance, tant que celle-ci est supérieure à 1.

Régression logistique

En statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé.

Axiome du choix

vignette|upright=1.5|Pour tout ensemble d'ensembles non vides (les jarres), il existe une fonction qui associe à chacun de ces ensembles (ces jarres) un élément contenu dans cet ensemble (cette jarre). En mathématiques, l'axiome du choix, abrégé en « AC », est un axiome de la théorie des ensembles qui Il a été formulé pour la première fois par Ernest Zermelo en 1904 pour la démonstration du théorème de Zermelo. L'axiome du choix peut être accepté ou rejeté, selon la théorie axiomatique des ensembles choisie.

Ordered logit

In statistics, the ordered logit model (also ordered logistic regression or proportional odds model) is an ordinal regression model—that is, a regression model for ordinal dependent variables—first considered by Peter McCullagh. For example, if one question on a survey is to be answered by a choice among "poor", "fair", "good", "very good" and "excellent", and the purpose of the analysis is to see how well that response can be predicted by the responses to other questions, some of which may be quantitative, then ordered logistic regression may be used.

Afficher plus

Séances de cours associées (63)

Partie déterministe: Codage de fonction d'utilité MOOC: Introduction aux modèles de choix discrets

Explore le codage des hypothèses comportementales dans une fonction utilitaire linéaire en paramètre.

Modèles de mélange : Estimation basée sur la simulation

Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.

Modèles de choix : Dérivation du modèle Logit

Couvre la dérivation du modèle logit pour le choix avec de multiples alternatives et les défis pour générer des ensembles de choix.

Paradoxe bus rouge/bus bleu

Explore le paradoxe du bus rouge/bus bleu, les modèles de logit imbriqués et les modèles multivariés d'extrême valeur dans le transport.

Spécification du modèle: Le terme d'erreur MOOC: Introduction aux modèles de choix discrets

Déplacez-vous dans le modèle de choix binaire, la spécification de terme d'erreur et les propriétés de distribution d'Extreme Value.

Afficher plus

Concepts associés (18)

Discrete choice

Logit

Régression logistique

Axiome du choix

Ordered logit

Afficher plus