A Multinomial Probit Model for Asymmetric Choice Responses
Dit artikel stelt een Skewed Multinomial Probit (SMNP) model voor dat een multivariate skew-normale verdeling voor latente nutten gebruikt om asymmetrische keuzeresponsen te vangen, waarbij de daarmee gepaard gaande identificatie- en computationele uitdagingen worden aangeporen door middel van een nieuwe covariantie-reparameterisatie en een dubbel data-augmentatie Bayesiaans schattingsschema.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert te raden wat je vriend voor de lunch gaat bestellen. Je weet dat hij meestal kiest tussen een burger, een salade of een pizza. In de wereld van de economie is er een klassiek hulpmiddel, een "keuzemodel", dat probeert deze beslissingen te voorspellen. Decennialang heeft de meest populaire versie van dit hulpmiddel volgens een eenvoudige, symmetrische regel gewerkt: het gaat ervan uit dat als je een voedingsmiddel iets goedkoper maakt, mensen er meer van kopen, en als je het iets duurder maakt, ze er precies evenveel minder van kopen. Het is als een perfect gebalanceerde wipwap; een duw naar beneden aan de ene kant tilt de andere kant met exact dezelfde afstand omhoog. Dit werkt goed voor veel zaken, maar het negeert een zeer menselijke waarheid: we reageren niet altijd op dezelfde manier op goed nieuws als op slecht nieuws. Soms voelt een prijsverhoging als een pijnlijke klap, terwijl een prijsverlaging voelt als een zachte tik op de rug. We kunnen er soms meer van houden om geld te verliezen dan om geld te besparen.
Dit artikel duikt in die rommelige, asymmetrische realiteit. De auteurs, onderzoekers van Monash University, pakken een probleem aan in de "discrete keuze"-modellering—de wiskunde die wordt gebruikt om te voorspellen hoe mensen kiezen tussen verschillende opties, zoals merken wasmiddel of ketchup. Ze bouwen voort op het idee dat mensen "latente utiliteiten" hebben, wat gewoon een chique manier is om te zeggen "verborgen tevredenheidsscores" die we niet kunnen zien, maar die onze keuzes aansturen. De standaardmodellen gaan ervan uit dat deze verborgen scores een perfecte, klokvormige curve volgen (een normale verdeling), wat de symmetrische wipwapgedraging afdwingt. Maar de auteurs vermoeden dat deze verborgen scores in de echte wereld vaak scheef of "asymmetrisch" zijn, wat betekent dat mensen anders reageren op winst en verlies. Ze willen weten: als we stoppen met het afdwingen van symmetrie in de wiskunde, krijgen we dan betere voorspellingen? En zo ja, hoe repareren we de wiskunde zodat deze niet kapot gaat?
Het artikel stelt een nieuw model voor, de Skewed Multinomial Probit (SMNP). Denk aan het oude model als een starre, symmetrische robot die ervan uitgaat dat een prijsverhoging een merk precies even hard raakt als een prijsverlaging het helpt. De auteurs stellen dat deze robot te stijf is. Hun nieuwe SMNP-model is meer als een flexibele, mensachtige waarnemer die toegeeft: "Hé, mensen kunnen misschien meer in paniek raken als prijzen stijgen dan dat ze vieren als prijzen dalen." Om dit werkbaar te maken, moesten ze een lastige puzzel oplossen. In de statistiek kun je niet zomaat "scheefheid" (asymmetrie) aan een model toevoegen zonder de regels van hoe getallen worden gemeten te breken. Het is alsoak je een nieuwe smaak aan een cakebeslag wilt toevoegen zonder de oven temperatuur of de bakvorm te veranderen; als je niet voorzichtig bent, stort de hele boel in. De auteurs hebben een slimme nieuwe manier uitgevonden om de wiskunde te herschikken (een "herparameterisering") die ervoor zorgt dat de cake niet instort terwijl die extra smaak wel mogelijk is. Ze bouwden ook een speciaal computerprogramma (met behulp van een methode genaamd Bayesiaanse inferentie met "data augmentatie") dat miljoenen mogelijkheden kan proeven om de juiste mate van scheefheid te vinden zonder de weg kwijt te raken.
Toen ze hun nieuwe model testten, waren de resultaten veelzeggend. In computer-simulaties waarbij ze nepdata creëerden met bekende scheve reacties, kreeg het oude symmetrische model de voorspellingen fout, vooral bij de extremen (zeer hoge of zeer lage prijzen). Het nieuwe SMNP-model slaagde er echter in om de verborgen asymmetrie te "herstellen" en voorspelde de keuzes veel nauwkeuriger. Maar het beste deel is: toen ze het nieuwe model testten op data waar de reacties daadwerkelijk symmetrisch waren, maakte het de boel niet aan diggelen. Het kromp simpelweg in en gedroeg zich net als het oude, betrouwbare model. Het dwong geen vreemde vorm af waar die niet aanwezig was.
De auteurs namen hun model vervolgens mee uit het lab en pasten het toe op echte winkelgegevens: één set bestaande uit 2.657 aankopen van wasmiddel bij zes verschillende merken, en een andere met 4.956 aankopen van ketchup bij vier merken. In de data van het wasmiddel ontdekten ze dat voor één specifiek merk (EraPlus), het oude model onderschatte hoeveel mensen zouden stoppen met kopen als de prijs omhoog ging, en hoeveel ze zouden overstappen naar een concurrent. Het nieuwe model ving deze "verliesaversie" op, en liet zien dat een prijsverhoging de verkoop harder schaadt dan een prijsverlaging de verkoop helpt. In de ketchupdata identificeerde het oude model verkeerd welke merken zouden profiteren als een concurrent hun prijzen verhoogde. Het nieuwe model corrigeerde dit en toonde aan dat de substitutiepatronen anders waren dan voorheen gedacht.
Het artikel concludeert dat hoewel het oude symmetrische model een goed startpunt is, het tot misleidend advies voor bedrijven en overheden kan leiden. Als een bedrijf het oude model gebruikt, kunnen ze denken dat een prijsverhoging een veilige zet is, terwijl het in werkelijkheid klanten wegjaagt, of ze kunnen verkeerd inschatten welke concurrent hun marktaandeel zal stelen. Het nieuwe SMNP-model suggereert dat door deze asymmetrische, menselijke reacties toe te laten, we een helderder beeld krijgen van hoe mensen echt kiezen. Het voorspelt niet alleen wat mensen zullen kopen; het helpt verklaren waarom ze zo sterk reageren op slecht nieuws vergeleken met goed nieuws. De auteurs suggereren dat dit instrument bedrijven kan helpen bij het bepalen van betere prijzen en overheden bij het ontwerpen van beter beleid, hoewel ze opmerken dat de wiskunde complex is en krachtige computers vereist om te draaien. Uiteindelijk laten ze zien dat toegeven dat de wereld niet perfect symmetrisch is, kan leiden tot veel intelligentere voorspellingen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.