模型与logit_混合Logit模型估计中Halton抽样使用的原因

最新推荐文章于 2023-10-19 14:14:14 发布

weixin_39573981

最新推荐文章于 2023-10-19 14:14:14 发布

阅读量941

点赞数 1

文章标签：模型与logit

本文链接：https://blog.csdn.net/weixin_39573981/article/details/111706057

版权

混合Logit模型因其概率函数非闭型，无法直接使用最大似然法估计。文章探讨了Monte Carlo模拟方法，特别是Halton序列在混合Logit模型中的应用，指出Halton抽样在模拟方差、效率和速度上优于伪随机抽样，适用于参数估计。在STATA中，可以通过cmmixlogit命令结合intmethod选项设置Halton采样。

摘要由CSDN通过智能技术生成

混合Logit模型估计中Halton抽样使用的原因

Logit模型包括很多，如二项logit，多项logit，混合logit、巢式logit（Nest Logit）。通常采用的估计方式是最大似然法 (MLE)。但是混合Logit模型却不是。

混合logit模型的估计方式

由于混合Logit模型的概率函数为非闭型，故不能采用最大似然法 (MLE)直接通过计算积分的方式求解。最大似然估计，是通过已知的结果反推处导致最大结果的参数，而极大似然估计是概率论在统计学中的应用，它提供了一种给定观察数据来评估模型参数的方法，即“模型已确定，参数未确定”，通过若干次实验观察，利用实验的某个参数使得样本出现的概率最大，称为极大似然轨迹。

对于涉及不可解析函数或概率分布的模拟及计算，可以借助于计算机模拟仿真法求近似解，蒙特卡洛模拟方法是其中一个有效的求解方法。蒙特卡罗模拟法是以概率统计理论为基础的一种数值计算方法，它将所求的问题与某个概率模型相联系，用计算机实现统计随机模拟或抽样，以获得近似解，因此该方法就被称为随机模拟法、随机抽样法或统计试验法。蒙特卡洛模拟方法本身不是优化方法，主要思想是对概率密度函数进行多次抽样，并以模拟概率均值作为积分近似解。在模拟样本数越大的情况下，越接近与真实值，但样本数增加会带来计算量的大幅上升。随机变量分布通常假设为正态分布或者均匀分布，获取的样本也要服从该分布。