Városi közforgalmú közlekedés/2 Választási modellek

Hasonló dokumentumok
Válogatott fejezetek a közlekedésgazdaságtanból

Válogatott fejezetek a közlekedésgazdaságtanból

Választási modellek 1

Választási modellek 3

Választási modellek 2

A maximum likelihood becslésről

Több diszkrét kimenet multinomiális és feltételes logit modellek

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Közgazdasági elméletek. Dr. Karajz Sándor Gazdaságelméleti Intézet

Multinomiális és feltételes logit modellek alkalmazásai

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

: az i -ik esélyhányados, i = 2, 3,..I

Biostatisztika VIII. Mátyus László. 19 October

[Biomatematika 2] Orvosi biometria

Matematikai geodéziai számítások 6.

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

Szavazási protokollok - közös preferencia kialakítása

Bizonytalanság. Mesterséges intelligencia április 4.

Matematikai geodéziai számítások 6.

A személyközlekedési módok csoportosítása, jellemzői, helyváltoztatási láncok képzése

Osztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

Regressziós vizsgálatok

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

Heckman modell. Szelekciós modellek alkalmazásai.

Valószínűségszámítás összefoglaló

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Mesterséges Intelligencia MI

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

A Statisztika alapjai

Döntéselmélet KOCKÁZAT ÉS BIZONYTALANSÁG

A multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege

Kísérlettervezés alapfogalmak

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

Kísérlettervezés alapfogalmak

Kriptográfia 0. A biztonság alapja. Számítás-komplexitási kérdések

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak

Online algoritmusok. Algoritmusok és bonyolultságuk. Horváth Bálint március 30. Horváth Bálint Online algoritmusok március 30.

A személyközlekedési módok csoportosítása, jellemzői, helyváltoztatási láncok képzése

1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont)

Fogalmak Navigare necesse est

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Előítéletesség a szabadúszóknak szóló online piactereken. Aniko Hannak Claudia Wagner

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András

A valószínűségszámítás elemei

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Varianciaanalízis 4/24/12

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Az első számjegyek Benford törvénye

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

Dr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A mérési eredmény megadása

Túlélés elemzés október 27.

Statisztika Elıadások letölthetık a címrıl

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Több valószínűségi változó együttes eloszlása, korreláció

(Independence, dependence, random variables)

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

Mikroökonómia elıadás

Az értékelés során következtetést fogalmazhatunk meg a

Régebbi Matek M1 zh-k. sztochasztikus folyamatokkal kapcsolatos feladatai.

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

A Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére

Közlekedési áramlatok MSc. Csomóponti-, útvonali eljutási lehetőségek minősítése

Biológiai rendszerek modellellenőrzése bayesi megközelítésben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő

Komputeralgebra rendszerek

Valószínűségi változók. Várható érték és szórás

Validálás és bizonytalanságok a modellekben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

A SIKER KOVÁCSA, VAGY A KUDARC KÓDJA?

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

Komputeralgebra rendszerek

Elemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n

KUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel

Válogatott fejezetek a közlekedésgazdaságtanból

Válogatott fejezetek a közlekedésgazdaságtanból

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Többváltozós lineáris regressziós modell feltételeinek

6. Előadás. Vereb György, DE OEC BSI, október 12.

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Biomatematika 13. Varianciaanaĺızis (ANOVA)

Logisztikus regresszió

Összehasonlítások hibái

Átírás:

Városi közforgalmú közlekedés/2 Választási modellek Doktori Iskola 2015 http://www.sze.hu/~prile Forrás: A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models Prepared For U.S. Department of Transportation Federal Transit Administration By Frank S. oppelman and Chandra Bhat with technical support from Vaneet Sethi, Sriram Subramanian, Vincent Bernardin and Jian Zhang January 31, 2006 Modified June http://www.caee.utexas.edu/prof/bhat/courses/lm_draft_060131final-060630.pdf

Fogalmak Választási modellek célja: annak megjósolása, hogy egyén vagy csoport a lehetőségek halmazából melyik egy vagy több lehetőséget választ. (Discrete choice models) További cél annak vizsgálata, hogyan befolyásolják a döntést az alternatívák 1 és a döntést hozó különböző jellemzői, értékelik a döntéshozók vagy egyes csoportjaik az alternatívák különböző jellemzőit/tulajdonságait. Csoport viselkedésre két megközelítés: közvetlenül modellezni a csoport viselkedését (aggregate approach) A csoport döntése egyedi döntésekből alakul ki, ennek megfelelően azt kell modellezni, hogyan tükrözik az egyedi döntések a döntést hozó), és az alternatívák jellemzőit. (disaggregate approach). Az egyedi döntéseket ebben az esetben aggregálni kell. 1: alternatíva eredetileg olyan helyzet, amelyben két lehetőség között lehet választani. A mai szóhasználatban általános értelemben választható lehetőséget jelent.

Döntési folyamat és elemei Döntési folyamat: a szóba jöhető alternatívák számbavétele - az egyes alternatívák értékelése valamilyen döntési szabály alapján az egyik kiválasztása 4 elem: a döntést hozó, az alternatívák, az alternatívák jellemzői, döntési szabály Döntéshozó: egyes emberek másképpen értékelik az alternatívák jellemzőit, ebben szerepet játszanak pl.: jövedelem, lakóhely, életkor, foglalkozás stb. A modellezésnél ezt figyelembe kell venni.

Az alternatívák Rendelkezésre álló (létező) alternatívák (available choice set) Elérhető alternatívák (feasible choice set), adott személy számára reális lehetőség Figyelembe vett alternatívák (consideration choice set), egyes alternatívákat nem ismernek, vagy eleve elutasítanak

Az alternatívák jellemzői (attribútumok) A jellemzőknek vonatkozhatnak minden alternatívára, vagy csak azok egy részére Közlekedési módtól függ, pl. zsúfoltság, járatsűrűség nem létezik az egyéni közl.-ben Idő, kényelem,megbízhatóság, ár stb. Döntő szerepe van az időnek. Pl. Total travel time, In-vehicle travel time, Out-of-vehicle travel time, Travel cost, Number of transfers (transit modes), Walk distance Reliability of on time arrival

A döntési szabály Racionális döntést feltételezünk Racionális, ha konzisztens és tranzitív Konzisztens. Ugyanolyan helyzetben ugyanaz a döntés születik Tranzitív: ha A alternatívát választják B-vel szemben, és B-t C-vel szemben, akkor A-t kell választani C-vel szemben is Vannak esetek, amikor az emberi döntés nem racionális

Haszon maximalizálás A haszon maximalizálás elve két tételen nyugszik Az alternatívák jellemzői kifejezhetők azok hasznosságát tükröző skaláris mennyiségekkel A döntéshozó képes optimalizálni az alternatívák különböző jellegű tulajdonságai között, pl. képes összevetni az egyes alternatívák utazási idő és utazási költség adatait, és ezek alapján kiválasztani a számára nagyobb hasznosságot jelentő alternatívát

Determinisztikus és valószínűségi modellek Determinisztikus: azt feltételezi, hogy a döntéshozó az alternatívákat rangsorolja a hasznosság szerint, és biztos, hogy a legnagyobb hasznosságút választja (A,B,C,D,E,F döntéshozók) A választást csak az alternatívák hasznosságának sorrendje befolyásolja, a hasznosságban meglévő különbségek mértéke nem játszik szerepet.

A determinisztikus megközelítés három fő hibalehetősége A döntéshozó nem rendelkezik tökéletes információkkal az alternatívákról. A modell felállításakor nem rendelkezünk teljes információval az alternatívákról, nem teljes körűek a figyelembe vett attribútumok, illetve nem értjük jól a döntéshozó döntési mechanizmusát. Nem ismerjük eléggé a döntéshozó attribútumait Ha ezekkel a bizonytalanságokkal is számolni akarunk, akkor valószínűségi modellt kell használni

Valószínűségi modellek Az alternatívák hasznosságának a különbségétől függ a választás Az eredmény az egyes alternatívák választásának a valószínűsége A bizonytalanság abból ered, hogy az egyes alternatíváknak különböző hasznosságot tulajdonít a döntéshozó és a modellalkotó Ezt a különbséget úgy fejezzük ki, hogy az alternatívák hasznosságát két részre osztjuk, az egyik rész az, ami megfigyelhető, ezt determinisztikus résznek hívják, a másik rész az a különbség, ami a megfigyelt és a döntéshozó által valóságban érzékelt hasznosság között van, ennek nagysága, ismeretlen, ez a véletlen (random) rész.

Hasznossági függvény

A hasznosság determinisztikus része Az alternatívákra jellemző és a döntéshozó karakterére jellemző változókat tartalmaz Három részre osztható Az alternatívákat jellemző változók A döntéshozó karakterét jellemző változók Az alternatívák és a döntéshozó karaktere közötti kölcsönhatást kifejező változók (pl. utazási költség kevésbé fontos magas jövedelműeknél, ezt kifejezheti a utazási ktsg/jövedelem változó. Az ilyen típusú változót ki is lehet hagyni a modellből, ekkor az utazók karakterek szerinti csoportjaira (pl. alacsony jövedelem-magas jövedelem) külön-külön kell hasznossági függvényt felállítani.

A hasznosság determinisztikus része

Az alternatívák jellemzőiből következő hasznosság

azonos minden alternatívánál. Különbséget is tehetünk a modell átalakításával. Pl. Az utazási idő tömegközlekedésen megterhelőbb, mint az autózásnál

Nem magyarázható preferenciák BIAS Egyes alternatívákhoz kapcsolódó preferencia/diszpreferencia nem magyarázható sem az alternatívák, sem a döntéshozók attribútumaival Kibővítjük a hasznossági függvényt egy új taggal (bias)

A döntéshozó karakterét kifejező változók Gyakran használt változók Income of the traveler s household, Sex of traveler, Age of traveler, Number of automobiles in traveler s ousehold, Number of workers in the traveler s household Number of adults in the traveler s household.

Az alternatívák és a döntéshozó karaktere közötti kölcsönhatást kifejező változók Pl. Nők érzékenyebbek az utazási idő mértékére Az utazási idő és az utazási költség a két hasznosságot tükröző változó. Gamma1 vonatkozik mindenkire, gamma2 csak nőkre. A Fem dummy változó, férfiak esetében 0, nőknél 1.

A hasznossági függvény véletlen része

Multinomiális logit modell A hasznosságot leíró függvények nem pontosan határozzák meg az alternatívák hasznosságát a döntéshozók szempontjából, az eltérések számos, egymástól független okra vezethetők vissza. A hibák eloszlása a centrális határeloszlási tétel értelmében normális eloszlásúnak feltételezhető. Normális eloszlásból kiindulva a multinomiális probit modellhez (MPM) jutunk, de ennek használata nehézkes. A normális eloszlás helyett Gumbel eloszlást használva alkották meg a multinomiális logit modellt (MLM). A modell azon a feltételezésen alapszik, hogy a hibák egyenlően és egymástól függetlenül oszlanak meg az alternatívák valamint a döntéshozók között. Ennek a modellnek a segítségével az egyes alternatívák választásának valószínűsége a hasznossági függvény determinisztikus része alapján számítható. Joseph Bergson 1944 alkotta meg a logit kifejezést McFadden, Daniel. "The mathematical theory of demand models." Behavioral Travel Demand Models (1976)

A normális és a Gumbel eloszlás

Képlet

A logit modell tulajdonságai 1. Egy alternatíva választási valószínűsége az adott alternatíva hasznosságának függvényében S alakot mutat. A hasznosság változása a legnagyobb hatást a akkor gyakorol, amikor a választás valószínűsége 50% körüli, vagyis egyenlő az összes többi alternatíva együttes választási valószínűségével.

2. A választási valószínűségek az alternatívák hasznosságának különbségeitől függnek, és nem azok értékeinek nagyságrendjétől. Ha valamely értékkel megnöveljük minden alternatíva hasznosságát, a választás valószínűségei nem változnak.

Minden alternatíva hasznosságához hozzáadunk 1-et, a valószínűségek nem változnak.

A modell másik formája

3. Az irreleváns alternatíváktól való függetlenség Independence of Irrelevant Alternatives IIA Két alternatíva választási valószínűsége közötti arány független attól, hogy van-e más alternatíva, és azoknak menyi a hasznossága.

Ez a tulajdonság vitatható eredményekhez is vezethet. Kék busz-piros busz paradoxon

Példa 1. Csak konstans az alternatívák minden tulajdonságát egy konstans fejezi ki, amely minden döntéshozó számára egyformán kifejezi az alternatívák értékét

2. Az alternatívák jellemzése 2 változóval, utazási idő és költség parameter for time (in minutes) equal to -0.045 and for cost (in cents) equal to -0.004 Change in the alternative specific constants, to -1.865 for shared ride and -0.650 for transit, as the effect of excluding these time and cost variables is removed from the constants.

3. Az utazási idő felbontása járműben töltött és járműven kívüli időre, alkalmazott paraméter:-0.031 and -0.062.,

4. A döntéshozó attribútum bevezetése, jövedelem Jövedelem 50 e, csak a transitot érinti, kifejezve, hogy nagyobb jövedelemnél kevésbé használnak tömegközlekedést, azaz annak a hasznossága csökken. A másik két alternatíva hasznosságát ez nem érint.

5. Bővítés az alternatívák és a döntéshozó karaktere közötti kölcsönhatást kifejező változóval. Költséget osztjuk a jövedelemmel