異質性と動学化へのアプローチ
名古屋大学
山本俊行
2007/09/20-21
第6回 行動モデル夏の学校
1
内容
異質性の表現方法
• 選好の異質性
• 嗜好の異質性
• 意思決定方略の異質性
動学化の方法
• 変動について
• 複数時点での状態の記述
• 複数時点での変化の記述
• 連続時間軸上での変化の記述
2007/09/20-21
第6回 行動モデル夏の学校
2
四段階推計における分担率曲線
1
鉄
道
分
担
率
所要時間だけでは不十分!!
0
0.5
1
5
所要時間比(自動車所要時間/鉄道所要時間)
第6回 行動モデル夏の学校
2007/09/20-21
3
影響要因を追加する
• 費用を追加する
– 所要時間の価値を算出する:労働に費やした場
合に得られる収入を用いる
– 所要時間と費用を合わせた一般化費用を分担率
のX軸に用いる
• 運行頻度やアクセス距離などその他多くの
サービス水準を追加する
– 全ての要因を貨幣換算する?
2007/09/20-21
第6回 行動モデル夏の学校
4
最も基本的な離散選択モデル
• 様々なサービス水準の組み合わせからなる
交通手段の効用を推定する(各サービス水準
の重みを推定する)
U = a + b1x1 + b2x2 + e
– 線形効用関数を仮定する(補償型の効用)
– 誤差項に確率分布を仮定する(分担率曲線と同
様の曲線を生成)
– 平均的な偏りは定数項で表す
地域によって定数項は異なる・・・異質性
2007/09/20-21
第6回 行動モデル夏の学校
5
定数項の構造化
• 地域・意思決定者による選択結果の違いを
表現する
U = a + b1x1 + b2x2 + c1z1 + c2z2 + e
– 「定数項が属性によって異なる」と解釈できる
– サービス水準の影響は属性によらず一定
時間価値は収入によって異なったりするはず
→ さらなる異質性の導入
2007/09/20-21
第6回 行動モデル夏の学校
6
重みの構造化
• サービス水準の重みを属性毎に異なるものと
して推定する
U = a + f1(z1, z2)x1 + f2(z1, z2)x2 + c1z1 + c2z2 + e
– セグメント毎にサービス水準の重みを個別に推
定する
– 全てのサービス水準について異なる重みを仮定
する場合は,セグメント毎に全く個別のモデルを
推定することになる
はっきり属性は特定できないが,まだ重みの個別化が
2007/09/20-21
7
第6回 行動モデル夏の学校
十分でない場合は?
→→非観測異質性の導入
非観測異質性の導入1:
潜在セグメントモデル
• 意思決定者が各セグメントに確率的に帰属す
ることをモデル化
Pr(i) = SjQ(j)P(i|j)
– Q(j):セグメントjに帰属する確率(属性で構造化
する場合と全員同じ確率を与える場合がある)
– P(i|j):セグメントjに固有の効用関数によって選択
肢 i を選択する確率
2007/09/20-21
第6回 行動モデル夏の学校
8
非観測異質性の導入2:
ランダム係数モデル
• サービス水準の重みを確率的に分布させる
U = a + f1(z1, z2, z1)x1 + f2(z1, z2, z2)x2 + c1z1 + c2z2 + e
Pr(i) = ∫P(i| z )g(z)∂z
– g(z):仮定する確率分布(正規分布等)
最近では,確率分布の分散を属性で構造化す
るモデルも提案されている
2007/09/20-21
9
第6回 行動モデル夏の学校
2つの非観測異質性導入方法の相違
• 潜在セグメントモデル:重みが離散分布
• ランダム係数モデル:重みが連続分布
どちらも優劣はない
• どうせなら,両方やってみますか?
• やってみた論文もあります.まぁモデルの適
合度は上がってますけど・・・
2007/09/20-21
第6回 行動モデル夏の学校
10
ランダム係数モデルの若干の注意
• 正規分布を使うと,係数の正負は限定されない(定
義域が無限なので必ず正負両方の値を取る)→時
間とか費用とか普通は負であるはず
• 問題の生じない分布形が提案されている
– 切断正規分布,対数正規分布,一様分布,三角分布,
Johnson’s SB分布
exp 
c  a  b  a  
,
1  exp 
2007/09/20-21
第6回 行動モデル夏の学校
 ~ N  ,  
11
Mixed Multinomial Logit Modelの乱用
• ランダム係数モデルを含む Mixed multinomial
logit model (MMNL) に対して,シミュレーションに
よる積分を活用した推定手法が急速に発展した
• そのため,近年多くの論文でMMNLモデルの適用
が見られた
• 2006年IATBR会議では,非観測異質性で処理する
のではなく,説明変数で構造化し,構造を理解しよう
という反省が出てきている
2007/09/20-21
第6回 行動モデル夏の学校
12
意思決定方略の異質性
• 線形効用関数は真の意思決定方略の近似
– 例え真の意思決定方略が異なっていても,重み
付き平均は最も選択の近似能力が高い
– ただし,サービス水準間に負の相関がある場合
には,再現力が低くなることが分かっている
真の意思決定方略をモデル化する価値があるかも
2007/09/20-21
第6回 行動モデル夏の学校
13
様々な意思決定方略
方略
概要
荷重加算型
各サービス水準の重み付き平均
等加算型
各サービス水準の単純平均
勝率最大化
各サービス水準毎に望ましい選択肢を選び,選ばれた回
数が最も多い選択肢
連結型
全てのサービス水準が許容基準を満たす選択肢
分離型
サービス水準のうち一つでも希望水準を満たす選択肢
辞書編纂型
最も重要なサービス水準について最も望ましい選択肢
EBA
重要度によって確率的に選んだサービス水準が最低水
準を満たす選択肢
選択の状況や意思決定者によって
2007/09/20-21
第6回 行動モデル夏の学校
用いられる意思決定方略は異なる
14
複数の意思決定方略を含む
潜在セグメントモデル
Pr(i) = SjQ(j)P(i|j)
– P(i|j):セグメントjに固有の意思決定方略によって選択肢 i
を選択する確率
• ただし,多くの意思決定方略は推定しづらい
• 可能性としてしては,
– 選択結果以外の情報を取得し推定に用いる
– ベイズ推定,データマイニング,等の推定手法の適用
2007/09/20-21
第6回 行動モデル夏の学校
15
選択結果以外の使える情報
• 使っている意思決定方略を直接アンケート調
査等で聞く
• 意思決定の際に考慮した要因を聞く(非補償
型の意思決定の多くは用いる情報を限定す
る)
選択結果とあわせてデータが得られる同時
確率(尤度)を最大化する
2007/09/20-21
第6回 行動モデル夏の学校
16
ベイズ推定
P X  
PrX   


 
PrX   d
概要
• パラメータの事前分布(通常は無知の分布)とデータが得られる尤度から
パラメータの事後分布をベイズの定理によって求める
• 通常は解析的に解けないため,MMNLで用いられるのと同様のシミュ
レーションによって数値積分を行う
利点
• 一部のパラメータが推定不能の場合でも,他のパラメータを推定すること
が可能
• パラメータ空間が大局的に凸になっていない場合でも局所解に陥らない
可能性が高い
2007/09/20-21
第6回 行動モデル夏の学校
17
データマイニング
概要
• 情報量基準等の指標と計算速度に優れたアルゴリ
ズムを用いて,非線形関数やif-then ルールを効率
的に探索する
• 様々なアルゴリズムによるツールがある
意思決定方略の探索に使えそうなツール
• CHAID, CART, C4.5等の決定木:確立されており
利用が容易
• Bayesian Belief Network:より統計解析的
2007/09/20-21
第6回 行動モデル夏の学校
18
動学化へのアプローチ1:
変動について(北村,2003)
交通は移ろいやすく,交通現象に変動はつきもの
• 差異:一断面における個体間の変動
• 変化:特定の個体の系時的変動
• 変動:確率過程的変動
2007/09/20-21
第6回 行動モデル夏の学校
19
交通行動分析データの進展
• 断面データ
– 環境の異なる個人間差異
• パネルデータ
– 時点間の個人の行動変化
• 長期観測データ
– 個人内変動の考慮
2007/09/20-21
第6回 行動モデル夏の学校
20
長期観測の利点
• 断面データ(1時点)
y = f(x) + e(差異, 変化, 変動)
• パネルデータ
yt = f(xt) + e(差異) + et(変化, 変動)
yt’ = f(xt’) + e(差異) + et’(変化, 変動)
yt’ - yt = f(xt’) - f(xt) + et’(変化, 変動) - et(変化, 変
動)
2007/09/20-21
第6回 行動モデル夏の学校
21
長期観測の利点
• 長期観測
yt1 = f(xt1) + e(差異) + et(変化) + et1(変動)
yt2 = f(xt2) + e(差異) + et(変化) + et2(変動)
yt’1 = f(xt’1) + e(差異) + et’(変化) + et’1(変動)
yt’2 = f(xt’2) + e(差異) + et’(変化) + et’2(変動)
E(yt’N) - E(ytN) = E(f(xt’)) – E(f(xt))
+ et’(変化) - et(変化)
2007/09/20-21
第6回 行動モデル夏の学校
22
長期観測データの活用
• 変動のモデル化
– 変動を明示的に導入して日々の行動をモデル化
– 行動の基にある,より安定的な意思決定原理のモデル化
• 変動の除去
– 一定期間に集計した行動のモデル化
– 一週間の時間配分モデル等への multiple discretecontinuous choice model や多変量頻度モデル等の適
用
2007/09/20-21
第6回 行動モデル夏の学校
23
動学化へのアプローチ2
• 通常のモデルはある時点のサービス水準が
同じ時点の交通手段選択を決定すると仮定
している
• サービス水準が変化したら直ぐに行動も変化
するのか?
動的モデル構築の必要性
2007/09/20-21
第6回 行動モデル夏の学校
24
複数時点での状態のモデル化
Xt-1
Xt
Xt+1
時点間効果
慣性
遅れ効果
先取り効果
Yt-1
Yt
Yt+1
時点
T-1
2007/09/20-21
T
第6回 行動モデル夏の学校
T+1
25
複数時点の状態モデルの問題点
Yt = aYt-1 + bXt + cXt-1 + dXt+1 + et
• 誤差項は時点間で相関を持つ(非観測異質性は時
点間で同一となる)
• 上記のようなモデル構造だと,Xtの値が増加した場
合も減少した場合もYtに与える影響の大きさは同じ
で正負対象(変化の対象性)
• 自動車保有台数等では,変化の対象性が成り立た
ないケースが多く見られる
2007/09/20-21
第6回 行動モデル夏の学校
26
複数時点での変化のモデル化
∆Xt-1
∆Xt
∆Xt+1
∆Yt-1
∆Yt
∆Yt+1
時点
T-1
2007/09/20-21
T
第6回 行動モデル夏の学校
T+1
27
複数時点の変化モデルの問題点
∆Yt = a∆Yt-1 + b ∆Xt + c ∆Xt-1 + d ∆Xt+1 + et
• 説明変数は ∆Xt の他に, Xt も含まれる
• 変化の非対称性も考慮可能
• 時間は連続なのに,離散的に扱っている
• 意思決定の時点とモデル化が整合していな
いケースも生じる
2007/09/20-21
第6回 行動モデル夏の学校
28
連続時間軸上での変化のモデル化
生存時間モデルの適用
• 連続時間を扱える
• 時点間の誤差項の相関等で苦労する必要が
ない
• 意思決定(選択)行動について,明示的には
効用理論の枠組みで表現していない
– 効用理論との整合性について示した論文もあり
関連付けることは可能(小林ら, 1997; 佐々木ら,
1997)
2007/09/20-21
第6回 行動モデル夏の学校
29
生存時間モデル
ハザード関数: t 以前に事象が発生していない
という条件下で t に事象が発生する条件付き確
率密度
ht   lim
t 0
Pr t  t  T  t T  t 
t
f t 

1  F t 
f(t): 確率密度関数
F(t): 累積分布関数
2007/09/20-21
第6回 行動モデル夏の学校
30
観測打ち切り
• 事象が最後まで発生しないケースも解析可能
– データから削除すると推定パラメータのバイアスにつ
ながる
被験者2
被験者1
Time
観測開始時点
2007/09/20-21
観測終了時点
St   PrT  t   1  F t 
第6回 行動モデル夏の学校
31
尤度関数


  ht 
L   f t 
1 i 
i
1 i 
S t 
i


S t 
i
i: 事象が観測できなかったことを表すダミー変数
以下のように,S(t) が h(t)で表せることから上記
は h(t)の関数
2007/09/20-21
t

S t   exp    hs ds 
第6回 
行動モデル夏の学校
s 0

32
ハザード関数の構造化
• 比例ハザードモデル:基準ハザード関数に異
質性が影響を与える.時点間で一定
ht   h0 t r X 
• 加速故障モデル:時間の進み方に異質性が
影響を与える
ht   h0 r X t
2007/09/20-21
第6回 行動モデル夏の学校
33
構造化の方法によるモデルの分類
モデル
基準ハザード
異質性
ノンパラメトリックモデル ノンパラメトリック
ノンパラメトリック
セミパラメトリックモデル ノンパラメトリック
パラメトリック
パラメトリックモデル
パラメトリック
2007/09/20-21
パラメトリック
第6回 行動モデル夏の学校
34
観測精度との整合性
• 通常の調査では,変化の時点を連続的に観測する
ことは稀であり,通常は1年に1度等のパネル調査
が用いられる
• 生存時間モデルでは「変化」がある時間内に生起し
たことを表現することも生起確率を t について積分
することで表現可能(積分区間は任意に設定可能)
P rt1  s  t2   
t2
s  t1
f s ds
 F t2   F t1 
 S t1   S t2 
2007/09/20-21
第6回 行動モデル夏の学校
35
おわりに
• 時間をかければモデルの適合度は向上する
– このプレゼンファイルも火曜日より枚数が増えることは増
えた
• モデルを分かりやすくするために,本質的なこと以
外は削除することも大事
– このプレゼンファイルの内容は枚数を増やしたことで分か
りにくくなったかも知れない
• ある程度の時間であきらめる勇気も必要:あきらめ
ないと2008年度モデルの新車は出ない
– もちろん言い訳にしてはいけませんが・・・
2007/09/20-21
第6回 行動モデル夏の学校
36
ダウンロード

異質性と動学化へのアプローチ(山本先生) ver3