Identifying discrete choice models with multiple choice heuristics
Files
Date
2018
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Entender y predecir el comportamiento de las personas es clave en diferentes áreas, tales como políticas públicas y marketing. Los modelos de elección discreta son una de las herramientas diseñadas para entender estos comportamientos. El núcleo de estos modelos es la heurística de elección; ella representa una forma en que se procesan las alternativas. Su correcto entendimiento es crucial para representar adecuadamente los comportamientos. Numerosas heurísticas se han propuesto en la literatura. Con el objetivo de categorizarlas y entender su relación, hemos creado un marco teórico que las analiza en tres dimensiones: evaluación absoluta/relativa, simplificación de alternativas y simplificación de atributos. De estas heurísticas, hemos seleccionado cuatro para participar en nuestros experimentos: Maximización de la Utilidad Aleatoria (RUM por su nombre en inglés), Minimización del Remordimiento Aleatorio (RRM), Eliminación por Aspectos (EBA) y Satisficing. Hemos desarrollado dos contribuciones respecto a Satisficing y EBA. Para Satisficing, construimos el modelo Stochastic Satisficing (SS), que es el primer modelo que implementa completamente la teoría usando datos típicamente disponibles. Para EBA, proponemos un enfoque analítico para acelerar su estimación. Entendiendo que en una población pueden coexistir distintas heurísticas, se han propuesto modelos con múltiples heurísticas. Lamentablemente, su estimación – que usa clases latentes- ha mostrado problemas de identificabilidad. Para entender este problema, hemos estudiado analíticamente la identificabilidad, concluyendo que está gobernada por la diferencia de comportamiento de las heurísticas en la muestra; finalmente, obtuvimos una métrica simple e interpretable para dicha diferencia. Habiendo estudiado la identificabilidad teóricamente, comprobamos sus alcances en la práctica. Estudiamos el impacto de distintas heurísticas, tamaños muestrales y grados de correlación entre los factores que afenta la elección de la heurística y la alternativa. Concluimos que, para nuestro contexto, RRM no es identificable de RUM, SS lo es para muestras grandes (40.000) y EBA siempre es identificable de RUM. Dada la posibilidad de identificar estos modelos, proponemos una metodología que, mediante nuestro Modelo de Heurísticas Mixtas (MHM), facilita la búsqueda de las heurísticas subyacentes y su formulación. El MHM es un modelo de clases latentes con función de pertenencia de clase mixta. Permite encontrar las heurísticas presentes con mayor precisión que el modelo de clases latentes tradicional. Así, sin modelar la función de pertenencia de clase, las heurísticas subyacentes pueden ser encontradas y formuladas. Una vez que modelos candidatos son encontrados, se debe aplicar algún criterio para seleccionar al mejor. Mediante la experimentación con un par de modelos candidatos,concluimos que, si el objetivo es entender el fenómeno, entonces criterios sobre la base de estimación que penalicen débilmente los parámetros adicionales deberían ser usados. Si el objetivo es predecir, entonces se debieran preferir criterios sobre una base de validación. En esta tesis hemos mostrado que es factible estimar modelos con múltiples heurísticas. También, desarrollamos metodologías para encontrar los modelos más explicativos y seleccionar el más útil. Si bien, esta tesis disminuye la dificultad de estimar estos modelos, se requiere más investigación para obtener conclusiones generales.
Description
Tesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2018