文章目录
1.DCM介绍
离散选择模型DCM(Discrete Choice Model)是一类模型族,这个名字听起来有些陌生,但其包含的模型却是我们熟知的LR(Logistics Regression,逻辑回归模型),以及其变种MNL(MultiNomial Logit,多项Logit模型)和NL(Nested Logit,嵌套Logit模型)。
DCM可用于经济学中的选择问题,是分析“从有限互斥选项集中进行单项选择”的计量模型。主要包括五个部分:决策者(决策者属性)、备选项集合、备选项属性、决策准则和选择结果,数学表达式如下:
选
择
结
果
=
F
(
决
策
者
,
备
选
项
集
合
,
备
选
项
属
性
)
选择结果=F(决策者,备选项集合,备选项属性)
选择结果=F(决策者,备选项集合,备选项属性)
F
F
F是决策准则,即效用最大化准则。模型最终实现的功能是在给定决策者、备选项集合、备选项属性后,基于效用最大化准则,得到选择结果。
消费者内心的满足感可以用经济学中的“效用”来表示,理性消费者面对一系列商品时,会选择效用最大的商品。
2.项目背景
数据集来自于biogeme官网数据集中的Airline Itinerary数据,这里是数据介绍。总结来说,波音公司进行了一个调查,给乘客提供三个备选项:1.直飞,2.中转但同一公司,3.中转但非同一公司。调查涉及各个备选项的飞行时间、价格、空间等备选项属性,以及乘客本身的收入、受教育程度、出行人数等决策者属性。
我们要做的流程:设计DCM效用函数
→
\rightarrow
→用真实数据进行回归
→
\rightarrow
→修改DCM效用函数
→
\rightarrow
→对结果进行解读。
3.数据预处理
3.1变量的分类
原数据信息如下:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3609 entries, 0 to 3608
Data columns (total 56 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 SubjectId 3609 non-null int64
1 OriginGMT 3609 non-null int64
2 DestinationGMT 3609 non-null int64
3 Direction 3609 non-null int64
4 q02_TripPurpose 3609 non-null int64
5 q03_WhoPays 3609 non-null int64
6 q11_DepartureOrArrivalIsImportant 3609 non-null int64
7 q12_IdealDepTime 3609 non-null int64
8 q13_IdealArrTime 3609 non-null int64
9 q14_PartySize 3609 non-null int64
10 q15_Age 3609 non-null float64
11 q16_Income 3609 non-null int64
12 Cont_Income 3609 non-null float64
13 q17_Gender 3609 non-null int64
14 q19_Occupation 3609 non-null int64
15 q20_Education 3609 non-null int64
16 AirlineFirstFlight_1 3609 non-null int64
17 AirlineFirstFlight_2 3609 non-null int64
18 AirlineFirstFlight_3 3609 non-null int64
19 AirlineSecondFlight_1 3609 non-null int64
20 AirlineSecondFlight_2 3609 non-null int64
21 AirlineSecondFlight_3 3609 non-null int64
22 AirplaneFirstFlight_1 3609 non-null int64
23 AirplaneFirstFlight_2 3609 non-null int64
24 AirplaneFirstFlight_3 3609 non-null int64
25 AirplaneSecondFlight_1 3609 non-null int64
26 AirplaneSecondFlight_2 3609 non-null int64
27 AirplaneSecondFlight_3 3609 non-null int64
28 DepartureTimeHours_1 3609 non-null float64
29 DepartureTimeHours_2 3609 non-null float64
30 DepartureTimeHours_3 3609 non-null float64
31 DepartureTimeMins_1 3609 non-null int64
32 DepartureTimeMins_2 3609 non-null int64
33 DepartureTimeMins_3 3609 non-null int64
34 ArrivalTimeHours_1 3609 non-null float64
35 ArrivalTimeHours_2 3609 non-null float64
36 ArrivalTimeHours_3 3609 non-null float64
37 ArrivalTimeMins_1 3609 non-null int64
38 ArrivalTimeMins_2 3609 non-null int64
39 ArrivalTimeMins_3 3609 non-null int64
40 FlyingTimeHours_1 3609 non-null float64
41 FlyingTimeHours_2 3609 non-null float64
42 FlyingTimeHours_3 3609 non-null float64
43 TripTimeHours_1 3609 non-null float64
44 TripTimeHours_2 3609 non-null float64
45 TripTimeHours_3 3609 non-null float64
46 Legroom_1 3609 non-null int64
47 Legroom_2 3609 non-null int64
48 Legroom_3 3609 non-null int64
49 Fare_1 3609 non-null int64
50 Fare_2 3609 non-null int64
51 Fare_3 3609 non-null int64
52 BestAlternative_1 3609 non-null int64
53 BestAlternative_2 3609 non-null int64
54 BestAlternative_3 3609 non-null int64
55 TripPurpose 3609 non-null int64
dtypes: float64(14), int64(42)
memory usage: 1.5 MB
第0项是id,第1-15包含了决策者的个人信息,为决策者变量;16-51为备选项属性,后面的1、2、3区分三个选项;52-54为0-1型数据,代表是否选择该项。
3.2长宽数据转换
常用的机器学习模型大多使用宽数据,但Logit使用的是长数据,在这里使用pylogit.convert_wide_to_long
方法进行宽转长的操作。
#决策者变量
ind_var=['OriginGMT', 'DestinationGMT', 'Direction', 'q02_TripPurpose',
'q03_WhoPays', 'q11_DepartureOrArrivalIsImportant', 'q12_IdealDepTime',
'q13_IdealArrTime', 'q14_PartySize', 'q15_Age', 'q16_Income',
'Cont_Income', 'q17_Gender', 'q19_Occupation', 'q20_Education','TripPurpose']
#备选项属性变量
spv=['AirlineFirstFlight','AirlineSecondFlight','AirplaneFirstFlight','AirplaneSecondFlight',
'DepartureTimeHours','DepartureTimeMins','ArrivalTimeHours','ArrivalTimeMins','FlyingTimeHours',
'TripTimeHours','Legroom','Fare']
#备选项对应的字段
alt_varying_var={}
for n in spv:
dic={}
for i in 1,2,3:
dic[i]=n+'_'+str(i)
alt_varying_var[n]=dic
#选项可用性
avail_var={1:'avil_1',2:'avil_2',3:'avil_3'}
#备选项id
alt_id='ALT_ID'
#观测id
obs_id='OBS_ID'
airline[obs_id]=np.arange(airline.shape[0],dtype=int)+1
#选择结果
choice_id='choice'
long_df=pl.convert_wide_to_long(airline,ind_var,alt_varying_var,avail_var,obs_id,choice_id,new_alt_id_name=alt_id)
3.3数据初筛
当数据特征多且杂时,要在一开始对数据进行初步筛选,这一步要结合数据的信息与个人经验:
- 删掉空值过多的特征。
- 信息高度重合的特征只保留一个。
- 删掉与目标无关联的特征。
除此之外要尽可能保留特征,被删掉的特征也不是被判了“死刑”,后续视情况决定是否恢复。可以用df.info()
函数查看数据的格式及空值情况。
最后经过长宽转化、数据清洗及初筛后保留下的结果:
OBS_ID | ALT_ID | Direction | q02_TripPurpose | q03_WhoPays | q11_DepartureOrArrivalIsImportant | q14_PartySize | q15_Age | q16_Income | q20_Education | q17_Gender | q19_Occupation | FlyingTimeHours | DepartureTimeHours | ArrivalTimeHours | TripTimeHours | Legroom | Fare | choice |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2 | 1 | 1 | 2 | 1 | 2 | 1 | 3.5 | 10 | 6 | 1 | 1 | 2.53333 | 7.5 | 10.0333 | 2.53333 | 2 | 315 | 0 |
2 | 2 | 1 | 2 | 1 | 2 | 1 | 3.5 | 10 | 6 | 1 | 1 | 3.03333 | 15 | 18.5333 | 3.53333 | 2 | 315 | 1 |
2 | 3 | 1 | 2 | 1 | 2 | 1 | 3.5 | 10 | 6 | 1 | 1 | 3.03333 | 12 | 16.5333 | 4.53333 | 3 | 350 | 0 |
3 | 1 | 1 | 2 | 1 | 1 | 2 | 3.5 | 6 | 6 | 1 | 2 | 2.53333 | 7.5 | 10.0333 | 2.53333 | 3 | 195 | 0 |
3 | 2 | 1 | 2 | 1 | 1 | 2 | 3.5 | 6 | 6 | 1 | 2 | 3.03333 | 9 | 13.5333 | 4.53333 | 1 | 160 | 1 |
3 | 3 | 1 | 2 | 1 | 1 | 2 | 3.5 | 6 | 6 | 1 | 2 | 3.03333 | 12 | 17.0333 | 5.03333 | 4 | 170 | 0 |
4 | 1 | 1 | 2 | 3 | 1 | 2 | 6 | 12 | 6 | 2 | 2 | 0.966667 | 18 | 18.9667 | 0.966667 | 3 | 135 | 0 |
4 | 2 | 1 | 2 | 3 | 1 | 2 | 6 | 12 | 6 | 2 | 2 | 1.46667 | 18 | 21.4667 | 3.46667 | 3 | 125 | 0 |
4 | 3 | 1 | 2 | 3 | 1 | 2 | 6 | 12 | 6 | 2 | 2 | 1.46667 | 12 | 13.9667 | 1.96667 | 1 | 140 | 1 |
6 | 1 | 2 | 4 | 1 | 1 | 1 | 3.5 | 7 | 5 | 2 | 5 | 4.56667 | 7 | 14.5667 | 4.56667 | 3 | 400 | 1 |
6 | 2 | 2 | 4 | 1 | 1 | 1 | 3.5 | 7 | 5 | 2 | 5 | 5.06667 | 13 | 22.0667 | 6.06667 | 1 | 330 | 0 |
4.模型构建
4.1单因素分析
简单来说,单因素分析方法就是检验分析一个因素与另外一个因素的关联的分析方法, 单因素分析只观察两个因素间的关联,不代表因果关系 。这里应用单因素分析对特征进行进一步筛选。
方法 | 应用数据类型 | 例子 |
---|---|---|
卡方检验 | 定类和定类 | 性别和是否戴眼镜之间的关系 |
t检验、ANOVA | 定类和定量 | 性别和身高的关系 |
pearson相关系数 | 定量和定量 | 身高和体重的关系 |
除上述方法外,还可以使用单因素回归分析,不同于单因素分析利用传统统计学手段,单因素回归分析是将单个特征和待拟合项纳入我们的回归模型,其效果作为我们筛选特征的依据。
在我们的例子中,因变量是定类的数据,所以选择卡方检验来分析定类的特征,对定量的特征我们直接代入Logit模型进行单因素回归分析。注意这里使用的是宽数据而非最终带入模型的长数据。
卡方分析
##卡方分析
from scipy.stats import chi2_contingency
import statsmodels.api as sm
from sklearn import metrics
def Disc_var_test(df,col,target):
p_value=[]
for n in col:
crosstab=pd.crosstab(df[n],df[target])
p=chi2_contingency(crosstab)[1]
p_value.append(p)
df=pd.DataFrame({'features':col,'p_value':p_value})
return df
col=['Direction','q02_TripPurpose','q03_WhoPays','q11_DepartureOrArrivalIsImportant','q17_Gender','q19_Occupation']
Disc_var_test(df_wide,col,'choice')
MNL模型单因素回归分析
import pandas
import statsmodels.api as st#利用MNL模型单因素回归分析
def Mnl_var_test(df,col,target):
l1,l2,l3,l4=[],[],[],[]
for n in col:
mdl = st.MNLogit(df_wide[target],df_wide[n])
mdl_fit = mdl.fit()
mdl_margeff = mdl_fit.get_margeff()
l=list(mdl_margeff.summary_frame()['Pr(>|z|)'])
l1.append(l[0])
l2.append(l[1])
l3.append(l[2])
l4.append(mdl_fit.aic)
df=pd.DataFrame({'features':col,'p_value_1':l1,'p_value_2':l2,'p_value_3':l3,'aic':l4})
return df
col=['q14_PartySize','q15_Age','q16_Income','q20_Education','FlyingTimeHours_1','FlyingTimeHours_2','FlyingTimeHours_3'
,'DepartureTimeHours_1','DepartureTimeHours_2','DepartureTimeHours_3'
,'ArrivalTimeHours_1','ArrivalTimeHours_2','ArrivalTimeHours_3'
,'TripTimeHours_1','TripTimeHours_2','TripTimeHours_3'
,'Legroom_1','Legroom_2','Legroom_3'
,'Fare_1','Fare_2','Fare_3']
Mnl_var_test(df_wide,col,'choice')
结果汇总
定类数据结果 | 定量数据结果 |
---|---|
![]() | ![]() |
剔除p>0.05的特征,即:
q11_DepartureOrArrivalIsImportant
q17_Gender
q19_Occupation
4.2共线性检测
由于Logit模型是线性模型,变量间严重的多重共线性会影响参数估计的准确性以及泛化能力,所以要对数值型数据进行线性共线性检测。这里使用variance indlation factor(方差膨胀因子)进行评估:
VIF的一般标准为:
- 当0<VIF<5,没有共线性
- 当5<VIF<10,弱复共线性
- 当10<VIF<100,中等共线性
- 当VIF>100,严重共线性。
在这里处理vif大于10的特征,保留单变量分析中aic最小的变量。
在这里插入代码片from statsmodels.stats.outliers_influence import variance_inflation_factor
X=df_wide[['q14_PartySize','q15_Age','q16_Income','q20_Education','FlyingTimeHours_1','FlyingTimeHours_2','FlyingTimeHours_3'
,'DepartureTimeHours_1','DepartureTimeHours_2','DepartureTimeHours_3'
,'ArrivalTimeHours_1','ArrivalTimeHours_2','ArrivalTimeHours_3'
,'TripTimeHours_1','TripTimeHours_2','TripTimeHours_3'
,'Legroom_1','Legroom_2','Legroom_3'
,'Fare_1','Fare_2','Fare_3']]
vif=pd.DataFrame()
vif['VIF Factor']=[variance_inflation_factor(X.values,i) for i in range(X.shape[1])]
vif['features']=X.columns
print(vif)
剔除共线性前
VIF Factor features
0 4.197024e+00 q14_PartySize
1 1.538147e+01 q15_Age
2 8.150309e+00 q16_Income
3 1.385489e+01 q20_Education
4 inf FlyingTimeHours_1
5 inf FlyingTimeHours_2
6 inf FlyingTimeHours_3
7 6.470689e+12 DepartureTimeHours_1
8 2.144571e+13 DepartureTimeHours_2
9 2.180920e+13 DepartureTimeHours_3
10 1.235555e+13 ArrivalTimeHours_1
11 5.060224e+13 ArrivalTimeHours_2
12 5.146971e+13 ArrivalTimeHours_3
13 inf TripTimeHours_1
14 4.370305e+12 TripTimeHours_2
15 4.419627e+12 TripTimeHours_3
16 5.904812e+00 Legroom_1
17 5.905125e+00 Legroom_2
18 6.059211e+00 Legroom_3
19 5.584576e+01 Fare_1
20 5.883837e+01 Fare_2
21 5.442192e+01 Fare_3
剔除共线性后
VIF Factor features
0 3.900565 q14_PartySize
1 5.741539 q16_Income
2 9.107147 FlyingTimeHours_1
3 5.134774 Legroom_1
4 4.759455 Legroom_2
5 4.844795 Legroom_3
6 7.644040 Fare_1
4.3哑变量处理
对于三值以上的离散变量要进行哑变量处理
from sklearn.preprocessing import OneHotEncoder
col=['Direction','q02_TripPurpose','q03_WhoPays']
col1=['Direction','q02_TripPurpose','q03_WhoPays']
col2=['q14_PartySize','q16_Income']
col3=['OBS_ID','ALT_ID','TripTimeHours','Legroom','Fare','choice']
df_long=clean(long_df,col1,col2,col3)
# #将值作映射
def make_dummy(df,col):
encode = pd.get_dummies(df[col])
df=df.drop(col,1)
df=pd.concat([df,encode],axis=1)
return df
data=make_dummy(df_long,col)
4.4模型训练
MNL模型需要满足IIA假设,即无关选择独立性假设。具体来说对于任何决策者,选择两个备选项的概率之比与其他选项的存在无关。换句话说,选项之间不能有明显的从属关系,但在我们的例子中,选项二和选项三都有中转行为,明显区别于选项一,所以我们使用NL嵌套Logit模型代替MNL。
from collections import OrderedDict
User=['Direction_1', 'Direction_2', 'q02_TripPurpose_1',
'q02_TripPurpose_2', 'q02_TripPurpose_3', 'q02_TripPurpose_4',
'q03_WhoPays_1', 'q03_WhoPays_2', 'q03_WhoPays_3','q14_PartySize', 'q16_Income']
# User=[]
Dicision=['Legroom','Fare']
Features=User+Dicision
nest,basic_spec,basic_name=OrderedDict(),OrderedDict(),OrderedDict()
nest['one_flight']=[1]
nest['two_flight']=[2,3]
basic_spec['intercept']=[1,2,3]
basic_name['intercept']=['ASC_1','ASC_2','ASC_3']
for n in User:
basic_name[n]=[n]
basic_spec[n]=[[1,2,3]]
for n in Dicision:
basic_name[n]=[n+'_'+str(i) for i in range(1,4)]
# basic_name[n]=[n]
basic_spec[n]=[1,2,3]
mnl=pl.create_choice_model(
data=data,
alt_id_col='ALT_ID',
obs_id_col='OBS_ID',
choice_col='choice',
specification=basic_spec,
model_type='Nested Logit',
names=basic_name,
nest_spec=nest
)
mnl.fit_mle(np.zeros(22))
mnl.get_statsmodels_summary()
5.结果
Dep. Variable: | choice | No. Observations: | 1,761 |
---|---|---|---|
Model: | Nested Logit Model | Df Residuals: | 1,739 |
Method: | MLE | Df Model: | 22 |
Date: | Thu, 16 Jun 2022 | Pseudo R-squ.: | 0.358 |
Time: | 21:18:13 | Pseudo R-bar-squ.: | 0.346 |
AIC: | 2,260.567 | Log-Likelihood: | -1,108.283 |
BIC: | 2,380.987 | LL-Null: | -1,727.465 |
coef | std err | z | p_value | [0.025 | 0.975] | |
---|---|---|---|---|---|---|
one_flight | 0 | nan | nan | nan | nan | nan |
two_flight | 0.3720 | 0.254 | 1.466 | 0.143 | -0.125 | 0.869 |
ASC_1 | 0.6701 | nan | nan | nan | nan | nan |
ASC_2 | -0.2182 | nan | nan | nan | nan | nan |
ASC_3 | -0.4519 | nan | nan | nan | nan | nan |
Direction_1 | -2.395e-13 | 4.17e+21 | -5.74e-35 | 1.000 | -8.18e+21 | 8.18e+21 |
Direction_2 | -1.131e-12 | 4.21e+21 | -2.68e-34 | 1.000 | -8.26e+21 | 8.26e+21 |
q02_TripPurpose_1 | -2.475e-13 | nan | nan | nan | nan | nan |
q02_TripPurpose_2 | -1.024e-12 | nan | nan | nan | nan | nan |
q02_TripPurpose_3 | -1.863e-14 | nan | nan | nan | nan | nan |
q02_TripPurpose_4 | -7.025e-14 | nan | nan | nan | nan | nan |
q03_WhoPays_1 | -1.109e-12 | nan | nan | nan | nan | nan |
q03_WhoPays_2 | -1.833e-13 | nan | nan | nan | nan | nan |
q03_WhoPays_3 | -2.636e-14 | nan | nan | nan | nan | nan |
q14_PartySize | -2.206e-12 | 2.09e+14 | -1.06e-26 | 1.000 | -4.09e+14 | 4.09e+14 |
q16_Income | -1.147e-11 | 4.32e+13 | -2.66e-25 | 1.000 | -8.46e+13 | 8.46e+13 |
Legroom_1 | 0.1991 | 0.053 | 3.733 | 0.000 | 0.095 | 0.304 |
Legroom_2 | 0.1185 | 0.053 | 2.238 | 0.025 | 0.015 | 0.222 |
Legroom_3 | 0.1448 | 0.054 | 2.692 | 0.007 | 0.039 | 0.250 |
Fare_1 | -0.0177 | 0.001 | -15.623 | 0.000 | -0.020 | -0.015 |
Fare_2 | -0.0201 | 0.001 | -14.779 | 0.000 | -0.023 | -0.017 |
Fare_3 | -0.0192 | 0.001 | -14.381 | 0.000 | -0.022 | -0.017 |
TripTimeHours_1 | -0.4809 | 0.095 | -5.051 | 0.000 | -0.668 | -0.294 |
TripTimeHours_2 | -0.2588 | 0.083 | -3.130 | 0.002 | -0.421 | -0.097 |
TripTimeHours_3 | -0.3010 | 0.083 | -3.617 | 0.000 | -0.464 | -0.138 |
我们发现虽然前面做了那么多分析,从结果来看真正显著的项只有Legroom
Fare
TripTime
,即座位空间、票价和旅行时间,与选择者本人的属性如收入、旅行人数等都无关联。
从系数来看,其中影响程度最大的为旅行时间,其次是座位空间,票价反倒影响不那么大。其中的缘由可能就是统计学实验中的选择性偏差吧,飞机属于较昂贵的出行方式,购买机票的群体本身对价格并不十分敏感,更看重飞行体验。
完整代码及数据