MOOC
Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.
Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.
Le modèle logit est le cheval de bataille des modélisateurs de choix. Mais il présente certaines limites. En particulier, certaines hypothèses utilisées pour le dériver peuvent ne pas correspondre à la réalité comportementale. Il peut conduire à des prévisions erronées. Nous avons illustré notre propos à l'aide du paradoxe dit "du bourgeon rouge et du bus bleu", et nous avons présenté des modèles de valeur extrême multivariée qui répondent à certains de ces problèmes.
La procédure d'échantillonnage utilisée pour collecter les données de choix a un impact critique sur la procédure d'estimation du modèle. Nous présentons les procédures d'échantillonnage classiques et analysons en détail les implications pour l'estimation du modèle.
Dans notre recherche des limites du modèle logit, nous introduisons une nouvelle famille de modèles, basée sur les "mélanges". Nous définissons ce que sont les mélanges et comment ils peuvent être calculés. Nous étudions plusieurs hypothèses de modélisation importantes qu'ils peuvent couvrir.
L'utilité aléatoire repose sur l'hypothèse de rationalité des décideurs. Nous montrons que les êtres humains ne sont pas toujours cohérents avec cette hypothèse et peuvent faire preuve d'une irrationalité apparente. Les modèles de choix hybrides sont capables de capturer les dimensions subjectives du processus de choix, en utilisant des variables appelées "variables latentes".
Les choix évoluent avec le temps. Les individus apprennent, développent des habitudes. Pour saisir cela, il est nécessaire d'observer les individus dans le temps et de collecter ce que l'on appelle des "données de panel". L'introduction de la dimension temporelle dans les modèles de choix a des implications économétriques que nous décrivons en détail.
Qui a besoin de modèles de choix, alors que les algorithmes d'apprentissage automatique sont si puissants et omniprésents ? Dans ce dernier chapitre, nous présentons les similitudes et les différences entre l'apprentissage automatique et le choix discret, et nous discutons de certaines limites potentielles de l'apprentissage automatique dans le contexte de l'analyse des données de choix.