Shrinkage Estimation in the Random Parameters Logit Model

In this paper, we explore the properties of a positive-part Stein-like estimator which is a stochastically weighted convex combination of a fully correlated parameter model estimator and uncorrelated parameter model estimator in the Random Parameters Logit (RPL) model. The results of our Monte Carlo experiments show that the positive-part Stein-like estimator provides smaller MSE than the pretest estimator in the fully correlated RPL model. Both of them outperform the fully correlated RPL model estimator and provide more accurate information on the share of population putting a positive or negative value on the alternative attributes than the fully correlated RPL model estimates. The Monte Carlo mean estimates of direct elasticity with pretest and positive-part Stein-like estimators are closer to the true value and have smaller standard errors than those with fully correlated RPL model estimator.

基于PCA-Logit模型的无车承运人风险预警

为了评估无车承运人承运经营的风险,提高风险预警的准确性,提出了PCA-Logit无车承运人风险预警模型.根据无车承运人经营过程中风险的主要来源,构建了包含26项指标的风险预警指标体系,在对指标体系进行主成分分析(PCA)的基础上,通过Logit风险预警模型计算无车承运人的风险概率.选取15家无车承运人企业进行案例分析,提取了累计方差贡献率达91.03%的8个主成分,根据因子载荷矩阵值得出8个主成分的表达式,采用最大似然估计法对Logit风险预警模型进行参数标定,并计算得到15家无车承运人企业的风险预警值.结果表明:无车承运人企业的风险概率与企业的管理水平、运输市场的市场竞争强度、托运人及实际承运人谈判价格的优势和托运货物的属性等因素具有较强的相关性.

LOGIT模型参数估计方法研究

离散选择模型 ,特别是 LOGIT模型在交通需求模型建立过程中 ,应用非常广泛 ,许多实际的交通政策问题都涉及到方式选择 ,然而 LOGIT模型的建立非常困难 ,尤其是效用函数及参数估计 .本文重点就 LOGIT模型参数估计的有关问题进行讨论 ,特别是运用统计方法如何对效用函数的变量进行选取及比较不同形式效用函数 .

实时信息下的乘客路径选择行为

智能公交系统伴随着智能交通信息系统的发展而逐渐普及,其目的是向乘客提供各种实时交通信息,以提高出行的便利性和灵活性,最终实现公交出行分担率的提升。针对公交网络的特殊性,提出符合乘客路径选择行为且易于确定的广义路径定义,以成都公交电子站牌信息为背景,设计问卷对乘客路径选择行为及出行意向进行调查。采用定性和定量分析相结合的分析方法,基于随机效用理论,建立包括路径选择方案特性变量和乘客个人社会经济属性特性变量为解释变量的Logit和混合Logit路径选择模型,运用蒙特卡洛模拟和极大似然法完成参数估计。分析结果表明,混合Logit模型能更合理地解释由个体偏好而导致的路径选择行为差异,有助于对复杂公交行为的理解,以便更好地用以指导实践。

二值纵向数据的经验似然分析

二值纵向数据在许多学科都有重要应用,特别是在生物、医学、经济和社会科学中。为使经验似然方法在分析二值纵向数据时更能满足现实复杂数据的各类约束以及在实际分析数据时更具有理论依据,在易验证和比较弱的条件下,给出较易验证的引理,进而证明二值纵向数据经验似然估计的相合性和渐近正态性,得到了其经验似然比检验的渐近分布,改进了文献中的相关结果。同时进行统计模拟表明经验似然方法分析二值数据时参数拟合度更好。

基于Logistic的信用卡套现侦测评分模型

信用卡套现是信用卡产业面临的一种主要风险。单笔的套现交易与正常交易间无显著差异,难以进行基于特征的过滤筛选。为自动、高效地识别套现账户,根据统计学特征先遴选出各相关变量,并结合业务分析,利用Logistic回归模型的非线性曲线特征缺陷,克服其自变量多维相关敏感性缺陷,计算出各变量的影响权重系数,构建了信用卡套现侦测评分模型。实践表明识别准确率达到82.72%。