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。
混合logit模型中随机参数的分布设置
在混合logit模型中需要对随机参数的分布形式进行设置。
最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布( Uniform,或称矩形分布)。随机数就是具有这种均匀分布的随机变量。实际上,已