Hispanopedia Wiki
Articulo de referencia

Modelado de elección

El modelado de elección intenta modelar el proceso de decisión de un individuo o segmento a través de preferencias reveladas o declaradas en un contexto o contextos particulares...

Hispanopedia WikiContenido en espanolLectura gratuita

El modelado de elección intenta modelar el proceso de decisión de un individuo o segmento a través de preferencias reveladas o declaradas en un contexto o contextos particulares. Típicamente, intenta utilizar elecciones discretas (A sobre B; B sobre A, B y C) para inferir las posiciones de los elementos (A, B y C) en alguna escala latente relevante (típicamente " utilidad " en economía y diversos campos relacionados). De hecho, existen muchos modelos alternativos en econometría , marketing , sociometría y otros campos, incluyendo la maximización de la utilidad , la optimización aplicada a la teoría del consumidor y una plétora de otras estrategias de identificación que pueden ser más o menos precisas dependiendo de los datos , la muestra , la hipótesis y la decisión particular que se esté modelando. Además, el modelado de elección se considera el método más adecuado para estimar la disposición de los consumidores a pagar por mejoras de calidad en múltiples dimensiones. [ 1 ]

Existen varios términos que se consideran sinónimos del término modelado de elección. Algunos son precisos (aunque suelen ser específicos de una disciplina o continente) y otros se utilizan en aplicaciones industriales, aunque se consideran imprecisos en el ámbito académico (como el análisis conjunto). [ 2 ]

Estos incluyen los siguientes:

  1. Modelado de elección discreta con preferencias declaradas
  2. Elección discreta
  3. Experimento de elección
  4. Estudios de preferencias declaradas
  5. Análisis conjunto
  6. experimentos controlados

Aunque persisten los desacuerdos en la terminología, es notable que la revista académica destinada a proporcionar una fuente interdisciplinaria de investigación nueva y empírica en el campo se llame Journal of Choice Modelling. [ 3 ]

Fundamentos teóricos

La teoría detrás del modelado de elección fue desarrollada independientemente por economistas y psicólogos matemáticos. Los orígenes del modelado de elección se remontan a la investigación de Thurstone sobre las preferencias alimentarias en la década de 1920 y a la teoría de la utilidad aleatoria . [ 4 ] En economía, la teoría de la utilidad aleatoria fue desarrollada posteriormente por Daniel McFadden [ 5 ] y en psicología matemática, principalmente por Duncan Luce y Anthony Marley. [ 6 ] En esencia, el modelado de elección asume que la utilidad (beneficio o valor) que un individuo obtiene del artículo A sobre el artículo B es una función de la frecuencia con la que elige el artículo A sobre el artículo B en elecciones repetidas. Debido a su uso de la distribución normal, Thurstone no pudo generalizar esta elección binaria a un marco de elección multinomial (que requería la regresión logística multinomial en lugar de la función de enlace probit), razón por la cual el método languideció durante más de 30 años. Sin embargo, entre las décadas de 1960 y 1980, el método se axiomatizó y se aplicó en diversos tipos de estudios.

Distinción entre estudios de preferencia revelada y declarada

El modelado de elección se utiliza tanto en estudios de preferencia revelada (PR) como de preferencia declarada (PD). Los estudios de PR utilizan las elecciones ya realizadas por los individuos para estimar el valor que atribuyen a los elementos; "revelan sus preferencias —y por lo tanto los valores (utilidades)— a través de sus elecciones". Los estudios de PD utilizan las elecciones realizadas por los individuos en condiciones experimentales para estimar estos valores; "expresan sus preferencias a través de sus elecciones". McFadden utilizó con éxito las preferencias reveladas (realizadas en estudios de transporte previos) para predecir la demanda del Bay Area Rapid Transit (BART) antes de su construcción. Luce y Marley habían axiomatizado previamente la teoría de la utilidad aleatoria, pero no la habían utilizado en una aplicación del mundo real; [ 7 ] además, dedicaron muchos años a probar el método en estudios de PD con estudiantes de psicología.

Historia

El trabajo de McFadden le valió el Premio Nobel de Economía [ 8 ] en 2000. Sin embargo, gran parte del trabajo en modelado de elección se había desarrollado durante casi 20 años en el campo de las preferencias declaradas. [ 9 ] [ 10 ] Este trabajo surgió en diversas disciplinas, originalmente transporte y marketing, debido a la necesidad de predecir la demanda de nuevos productos que potencialmente eran costosos de producir. Este trabajo se basó en gran medida en los campos del análisis conjunto y el diseño de experimentos , con el fin de:

  1. Presentar a los consumidores bienes o servicios que se definían por características particulares (atributos) que tenían niveles, por ejemplo, "precio" con niveles "10 $, 20 $, 30 $"; "servicio de seguimiento" con niveles "sin garantía, garantía de 10 años";
  2. Presentar configuraciones de estos bienes que minimicen el número de opciones necesarias para estimar la función de utilidad del consumidor (regla de decisión).

Específicamente, el objetivo era presentar el número mínimo de pares/triples, etc., de (por ejemplo) teléfonos móviles para que el analista pudiera estimar el valor que el consumidor obtenía (en unidades monetarias) de cada posible característica de un teléfono. A diferencia de gran parte del trabajo en análisis conjunto, se debían realizar elecciones discretas (A frente a B; B frente a A, B y C), en lugar de calificaciones en escalas de calificación de categorías ( escalas Likert ). A David Hensher y Jordan Louviere se les atribuye ampliamente los primeros modelos de elección de preferencia declarada. [ 10 ] Siguieron siendo figuras clave, junto con otros como Joffre Swait y Moshe Ben-Akiva, y durante las siguientes tres décadas en los campos del transporte y el marketing ayudaron a desarrollar y difundir los métodos. [ 11 ] [ 12 ] Sin embargo, muchas otras figuras, principalmente trabajando en economía del transporte y marketing, contribuyeron a la teoría y la práctica y ayudaron a difundir ampliamente el trabajo. [ 13 ]

Relación con el análisis conjunto

Desde sus inicios, el modelado de elección adoleció de una falta de estandarización terminológica, y todos los términos mencionados anteriormente se han utilizado para describirlo. Sin embargo, la mayor discrepancia ha resultado ser geográfica: en América, siguiendo la práctica del sector, el término "análisis conjunto basado en la elección" se ha impuesto. Esto refleja el deseo de que el modelado de elección (1) refleje la estructura de atributos y niveles heredada del análisis conjunto, pero (2) muestre que se utilicen elecciones discretas, en lugar de calificaciones numéricas, como medida de resultado obtenida de los consumidores. En otras partes del mundo, el término "experimento de elección discreta" se ha impuesto en prácticamente todas las disciplinas. [ 2 ] Louviere (marketing y transporte) y sus colegas en economía ambiental y de la salud llegaron a rechazar la terminología estadounidense, alegando que era engañosa y ocultaba una diferencia fundamental entre los experimentos de elección discreta y los métodos conjuntos tradicionales: los experimentos de elección discreta tienen una teoría comprobable de la toma de decisiones humanas que los sustenta (teoría de la utilidad aleatoria), mientras que los métodos conjuntos son simplemente una forma de descomponer el valor de un bien utilizando diseños estadísticos a partir de calificaciones numéricas que no tienen una teoría psicológica que explique el significado de los números de la escala de calificación. [ 2 ]

Diseño de un modelo de elección

El diseño de un modelo de elección o un experimento de elección discreta (DCE) generalmente sigue los siguientes pasos:

  1. Identificar el bien o servicio que se va a valorar;
  2. Decidir qué atributos y niveles describen completamente el bien o servicio;
  3. Construir un diseño experimental que sea apropiado para esos atributos y niveles, ya sea a partir de un catálogo de diseños, [ 14 ] o mediante un programa de software; [ 15 ]
  4. Construir la encuesta, reemplazando los códigos de diseño (números) con los niveles de atributos correspondientes;
  5. Administrar la encuesta a una muestra de encuestados en diversos formatos, incluyendo papel y bolígrafo, pero cada vez más a través de encuestas web;
  6. Analizar los datos utilizando modelos apropiados, a menudo comenzando con el modelo de regresión logística multinomial , dadas sus atractivas propiedades en términos de consistencia con la teoría de la demanda económica. [ 5 ]

Identificar el bien o servicio que se va a valorar.

Esta suele ser la tarea más sencilla, que normalmente se define por:

  • la pregunta de investigación en un estudio académico, o
  • las necesidades del cliente (en el contexto de un bien o servicio de consumo)

Decidir qué atributos y niveles describen completamente el bien o servicio.

Un bien o servicio, como por ejemplo un teléfono móvil, se describe normalmente mediante una serie de atributos (características). Los teléfonos suelen describirse por su forma, tamaño, memoria, marca, etc. Los atributos que se varían en el DCE deben ser todos aquellos que interesan a los encuestados. Omitir atributos clave suele provocar que los encuestados hagan inferencias (suposiciones) sobre los que faltan en el DCE, lo que genera problemas de variables omitidas. Los niveles deben incluir normalmente todos los disponibles actualmente y, a menudo, se amplían para incluir los que sean posibles en el futuro; esto resulta especialmente útil para orientar el desarrollo de productos.

Construir un diseño experimental que sea apropiado para esos atributos y niveles, ya sea a partir de un catálogo de diseños o mediante un programa informático.

Una ventaja de los DCE y los análisis conjuntos es que suelen presentar un subconjunto del factorial completo. Por ejemplo, un teléfono con dos marcas, tres formas, tres tamaños y cuatro cantidades de memoria tiene 2x3x3x4=72 configuraciones posibles. Este es el factorial completo y, en la mayoría de los casos, es demasiado grande para administrarlo a los encuestados. Los subconjuntos del factorial completo se pueden producir de diversas maneras, pero en general tienen el siguiente objetivo: permitir la estimación de un cierto número limitado de parámetros que describen el bien: efectos principales (por ejemplo, el valor asociado a la marca, manteniendo todo lo demás constante), interacciones de dos vías (por ejemplo, el valor asociado a esta marca y al tamaño más pequeño, a esa marca y al tamaño más pequeño), etc. Esto se logra típicamente confundiendo deliberadamente las interacciones de orden superior con las de orden inferior. Por ejemplo, las interacciones de dos y tres vías pueden confundirse con los efectos principales. Esto tiene las siguientes consecuencias:

  • El número de perfiles (configuraciones) se reduce significativamente;
  • Un coeficiente de regresión para un efecto principal dado es insesgado si y solo si los términos de confusión (interacciones de orden superior) son cero;
  • Un coeficiente de regresión está sesgado en una dirección desconocida y con una magnitud desconocida si los términos de interacción confusos no son cero;
  • No se puede realizar ninguna corrección en el análisis para resolver el problema si los términos confundidos no son cero.

Por lo tanto, se ha advertido repetidamente a los investigadores que el diseño implica decisiones críticas sobre si es probable que las interacciones bidireccionales y de orden superior sean distintas de cero; cometer un error en la etapa de diseño invalida efectivamente los resultados, ya que la hipótesis de que las interacciones de orden superior sean distintas de cero es imposible de comprobar. [ 11 ]

Los diseños están disponibles en catálogos y programas estadísticos. Tradicionalmente, poseen la propiedad de ortogonalidad , donde todos los niveles de atributos pueden estimarse independientemente unos de otros. Esto garantiza la ausencia de colinealidad y puede explicarse con el siguiente ejemplo.

Imaginemos un concesionario de automóviles que vende tanto coches de lujo como vehículos usados ​​de gama baja. Utilizando el principio de maximización de la utilidad y asumiendo un modelo MNL, planteamos la hipótesis de que la decisión de comprar un coche en este concesionario es la suma de la contribución individual de cada uno de los siguientes factores a la utilidad total.

  • Precio
  • Marca (BMW, Chrysler, Mitsubishi)
  • Origen (alemán, estadounidense)
  • Actuación

Sin embargo, usar la regresión multinomial en los datos de ventas no nos dirá lo que queremos saber. La razón es que gran parte de los datos son colineales, ya que los autos en este concesionario son:

  • coches alemanes de alto rendimiento y precio elevado
  • coches americanos baratos y de bajo rendimiento

No hay suficiente información, ni la habrá jamás, para determinar si la gente compra coches porque son europeos, porque son BMW o porque son de alto rendimiento. Esta es una razón fundamental por la que los datos RP suelen ser inadecuados y por la que se requieren datos SP. En los datos RP, estos tres atributos siempre aparecen juntos y, en este caso, están perfectamente correlacionados . Es decir: todos los BMW se fabrican en Alemania y son de alto rendimiento. Se dice que estos tres atributos (origen, marca y rendimiento) son colineales o no ortogonales. Solo en condiciones experimentales, mediante datos SP, se pueden variar el rendimiento y el precio de forma independiente, descomponiendo sus efectos.

En un experimento de elección, el diseño experimental (que se muestra a continuación) es un esquema riguroso para controlar y presentar escenarios hipotéticos, o conjuntos de opciones, a los participantes. Para un mismo experimento, se pueden utilizar diferentes diseños, cada uno con propiedades distintas. El diseño más adecuado depende de los objetivos del experimento.

El diseño experimental es lo que determina el experimento y las capacidades finales del modelo. Existen muchos diseños muy eficientes de dominio público que permiten realizar experimentos casi óptimos.

Por ejemplo, el diseño de cuadrado latino 16 17 permite estimar todos los efectos principales de un producto que podría tener hasta 16 17 configuraciones (aproximadamente 295 seguidos de dieciocho ceros). Además, esto podría lograrse con un marco muestral de tan solo unos 256 encuestados.

A continuación se muestra un ejemplo de un diseño mucho más pequeño. Se trata de un diseño con 3 o 4 efectos principales.

Este diseño permitiría estimar las utilidades de los efectos principales a partir de 81 (3 4 ) posibles configuraciones de producto , suponiendo que todas las interacciones de orden superior sean cero . Una muestra de aproximadamente 20 encuestados podría modelar los efectos principales de las 81 posibles configuraciones de producto con resultados estadísticamente significativos.

Algunos ejemplos de otros diseños experimentales comúnmente utilizados:

  • Diseños de bloques incompletos balanceados (BIBD)
  • Diseños aleatorios
  • Efectos principales
  • Diseños de interacción de orden superior
  • Factorial completo

Más recientemente, se han producido diseños eficientes. [ 16 ] [ 17 ] Estos suelen minimizar funciones de la varianza de los parámetros (desconocidos pero estimados). Una función común es la D-eficiencia de los parámetros. El objetivo de estos diseños es reducir el tamaño de la muestra requerido para lograr la significación estadística de los parámetros de utilidad estimados. Estos diseños a menudo han incorporado priors bayesianos para los parámetros, para mejorar aún más la precisión estadística. [ 18 ] Los diseños altamente eficientes se han vuelto extremadamente populares, dados los costos de reclutar un mayor número de encuestados. Sin embargo, figuras clave en el desarrollo de estos diseños han advertido sobre posibles limitaciones, en particular las siguientes. [ 16 ] La eficiencia del diseño se maximiza típicamente cuando el bien A y el bien B son lo más diferentes posible: por ejemplo, cada atributo (característica) que define el teléfono difiere entre A y B. Esto obliga al encuestado a negociar entre precio, marca, tamaño, memoria, etc.; Ningún atributo tiene el mismo nivel en A y B. Esto puede suponer una carga cognitiva para el encuestado, llevándolo a utilizar heurísticas simplificadoras («siempre elegir el teléfono más barato») que no reflejan su verdadera función de utilidad (regla de decisión). Trabajos empíricos recientes han confirmado que los encuestados sí tienen reglas de decisión diferentes al responder a un diseño menos eficiente en comparación con un diseño altamente eficiente. [ 19 ]

Aquí encontrará más información sobre diseños experimentales . Sin embargo, cabe reiterar que los diseños pequeños que estiman los efectos principales suelen hacerlo confundiendo deliberadamente las interacciones de orden superior con los efectos principales. Esto significa que, a menos que dichas interacciones sean nulas en la práctica, el analista obtendrá estimaciones sesgadas de los efectos principales. Además, no tiene (1) forma de comprobarlo ni (2) forma de corregirlo durante el análisis. Esto subraya la importancia crucial del diseño en los experimentos de elección discreta (DCE).

Elaboración de la encuesta

La elaboración de la encuesta generalmente implica:

  • Realizar una operación de "buscar y reemplazar" para que los códigos de diseño experimental (normalmente números como los del ejemplo anterior) se sustituyan por los niveles de atributos del bien en cuestión.
  • Incorporar las configuraciones resultantes (por ejemplo, tipos de teléfonos móviles) a una encuesta más amplia que incluya preguntas sobre las características sociodemográficas de los encuestados puede facilitar la segmentación de los datos durante el análisis: por ejemplo, las preferencias de los hombres pueden diferir de las de las mujeres.

Administrar la encuesta a una muestra de encuestados en diversos formatos, incluyendo papel y bolígrafo, pero cada vez más a través de encuestas web.

Tradicionalmente, los DCE se administraban mediante papel y bolígrafo. Sin embargo, gracias al auge de internet, las encuestas en línea se han convertido en la norma. Estas ofrecen ventajas en cuanto a coste, asignación aleatoria de los participantes a diferentes versiones de la encuesta y la posibilidad de aplicar filtros. Un ejemplo de esto último sería lograr un equilibrio de género: si responden demasiados hombres, se les puede excluir para que el número de mujeres sea igual al de hombres.

Analizar los datos utilizando modelos apropiados, a menudo comenzando con el modelo de regresión logística multinomial , dadas sus atractivas propiedades en términos de consistencia con la teoría de la demanda económica.

El análisis de los datos de un DCE requiere que el analista asuma un tipo particular de regla de decisión, o forma funcional de la ecuación de utilidad en términos económicos. Esto suele estar determinado por el diseño: si se ha utilizado un diseño de efectos principales, no se pueden incluir términos de interacción de dos vías o de orden superior en el modelo. A continuación, se suelen estimar modelos de regresión. Estos suelen comenzar con el modelo logit condicional, tradicionalmente, aunque de forma algo engañosa, denominado modelo de regresión logística multinomial (MNL) por los modeladores de elección. El modelo MNL convierte las frecuencias de elección observadas (que son probabilidades estimadas en una escala de razón) en estimaciones de utilidad (en una escala de intervalo) mediante la función logística . Se puede estimar la utilidad (valor) asociada a cada nivel de atributo, lo que permite al analista construir la utilidad total de cualquier configuración posible (en este caso, de coche o teléfono). Sin embargo, un DCE también puede utilizarse para estimar beneficios y costes ambientales no de mercado. [ 20 ]

Fortalezas

  • Obliga a los encuestados a considerar las ventajas y desventajas de las diferentes características;
  • Hace explícito el marco de referencia para los encuestados mediante la inclusión de una serie de atributos y alternativas de producto;
  • Permite estimar precios implícitos para los atributos;
  • Permite estimar el impacto en el bienestar para múltiples escenarios;
  • Puede utilizarse para estimar el nivel de demanda de los clientes por un "producto de servicio" alternativo en términos no monetarios; y
  • Potencialmente reduce el incentivo para que los encuestados se comporten estratégicamente. [ 21 ]

Debilidades

  • Las opciones discretas proporcionan únicamente datos ordinales , lo que proporciona menos información que los datos de razón o de intervalo;
  • Las inferencias a partir de datos ordinales, para producir estimaciones en una escala de intervalo/razón, requieren supuestos sobre las distribuciones de error y la regla de decisión del encuestado (forma funcional de la función de utilidad);
  • Los diseños factoriales fraccionados que se utilizan en la práctica confunden deliberadamente las interacciones bidireccionales y de orden superior con las estimaciones de orden inferior (normalmente los efectos principales) para que el diseño sea pequeño: si las interacciones de orden superior no son cero, los efectos principales están sesgados, y el analista no tiene forma de saberlo o corregirlo a posteriori;
  • La toma de decisiones no probabilística (determinista) por parte del individuo viola la teoría de la utilidad aleatoria: bajo un modelo de utilidad aleatoria, las estimaciones de utilidad se vuelven infinitas.
  • Existe una debilidad fundamental en todos los modelos con variables dependientes limitadas, como los modelos logit y probit: las medias (posiciones verdaderas) y las varianzas en la escala latente están perfectamente confundidas . En otras palabras, no se pueden separar.

La confusión media-varianza

Yatchew y Griliches demostraron por primera vez que las medias y las varianzas se confundían en los modelos de variable dependiente limitada (donde la variable dependiente toma cualquiera de un conjunto discreto de valores en lugar de uno continuo como en la regresión lineal convencional). [ 22 ] Esta limitación se vuelve aguda en el modelado de elección por la siguiente razón: un beta estimado grande del modelo de regresión MNL o cualquier otro modelo de elección puede significar:

  1. Los encuestados colocan el elemento en un lugar alto de la escala latente (lo valoran mucho), o
  2. Los encuestados no colocan el artículo en un lugar alto de la escala, PERO están muy seguros de sus preferencias, eligiendo consistentemente (frecuentemente) el artículo por encima de otros presentados junto a él, o
  3. Alguna combinación de (1) y (2).

Esto tiene implicaciones significativas para la interpretación del resultado de un modelo de regresión. Todos los programas estadísticos "resuelven" la confusión entre media y varianza estableciendo la varianza igual a una constante; todos los coeficientes beta estimados son, de hecho, un beta estimado multiplicado por un lambda estimado (una función inversa de la varianza). Esto tienta al analista a ignorar el problema. Sin embargo, debe considerar si un conjunto de coeficientes beta grandes refleja preferencias fuertes (un beta verdadero grande) o consistencia en las elecciones (un lambda verdadero grande), o alguna combinación de ambos. Dividir todas las estimaciones por una sola —normalmente la de la variable precio— cancela el término lambda confundido del numerador y del denominador. [ 23 ] Esto resuelve el problema, con el beneficio adicional de que proporciona a los economistas la disposición a pagar del encuestado por cada nivel de atributo. Sin embargo, el hallazgo de que los resultados estimados en el "espacio de utilidad" no coinciden con los estimados en el "espacio de disposición a pagar" [ 24 ] [ 25 ] sugiere que este "truco" no resuelve el problema de la confusión: las varianzas pueden ser específicas de los atributos o alguna otra función de las variables (lo que explicaría la discrepancia). Este es un tema de investigación actual en el campo.

En comparación con los métodos tradicionales de análisis conjunto basados ​​en calificaciones

Los principales problemas de las preguntas de valoración que no se presentan con los modelos de elección son:

  • No hay información sobre compensaciones. Un riesgo de las calificaciones es que los encuestados tienden a no diferenciar entre los atributos que consideran "buenos" y los califican todos como atractivos.
  • Escalas personales variables. Cada persona valora de forma diferente un '2' en una escala del 1 al 5. La agregación de las frecuencias de cada una de las medidas de la escala carece de fundamento teórico.
  • No existe una medida relativa. ¿Cómo compara un analista algo calificado con un 1 con algo calificado con un 2? ¿Es uno el doble de bueno que el otro? Nuevamente, no hay una forma teórica de agregar los datos.

Otros tipos

Categoría

Las clasificaciones suelen obligar al individuo a indicar sus preferencias relativas por los elementos de interés. Por lo tanto, las compensaciones entre estos elementos pueden estimarse, como en un experimento de elección discreta (DCE). Sin embargo, los modelos de clasificación deben comprobar si se estima la misma función de utilidad en cada nivel de clasificación: por ejemplo, las estimaciones deben ser las mismas (con la misma varianza) tanto para los datos del nivel inferior como para los del nivel superior.

Escala de mejor a peor

La escala de mejor-peor (BWS, por sus siglas en inglés) es una alternativa reconocida a las calificaciones y clasificaciones. Consiste en pedir a las personas que elijan sus opciones preferidas y menos preferidas entre varias alternativas. Al restar o integrar las probabilidades de elección, se pueden estimar las puntuaciones de utilidad de cada alternativa en una escala de intervalo o de razón, tanto para individuos como para grupos. Diversos modelos psicológicos pueden utilizarse para generar datos de mejor-peor, incluido el modelo MaxDiff .

Usos

El modelado de elección es particularmente útil para:

  • Predecir la adopción y perfeccionar el desarrollo de nuevos productos.
  • Estimación de la disposición implícita a pagar (DAP) por bienes y servicios.
  • Pruebas de viabilidad del producto o servicio
  • Estimación de los efectos de las características del producto en la elección del consumidor.
  • Variaciones de los atributos del producto
  • Comprender el valor y la preferencia de la marca, incluso para productos como las universidades [ 26 ] [ 27 ]
  • Estimaciones de la demanda y precios óptimos
  • demanda de transporte
  • Evacuación, investigaciones y pronósticos de desastres

La sección sobre "Aplicaciones" de la elección discreta proporciona más detalles sobre cómo se puede aplicar este tipo de modelado en diferentes campos.

Modelo de elección ocupacional

En Economía , un modelo de elección ocupacional es un modelo que busca responder por qué las personas se incorporan a diferentes ocupaciones [ 28 ] . [ 29 ]

En el modelo, en cada momento, la persona decide si trabajar como en su ocupación anterior, en otra ocupación o no estar empleada. En algunas versiones del modelo, un individuo elige la ocupación para la cual el valor actual de su ingreso esperado es máximo. [ 30 ] Sin embargo, en otras versiones, la aversión al riesgo puede llevar a las personas a trabajar en la misma ocupación que antes. [ 31 ]

Véase también

Referencias

  1. ↑ 2001 - Centro de Economía Internacional - Revisión de metodologías de disposición a pagar
  2. 1 2 3 Louviere, Jordan J; Flynn, Terry N; Carson, Richard T (2010-01-01). "Los experimentos de elección discreta no son análisis conjunto" . Journal of Choice Modelling . 3 (3): 57– 72. doi : 10.1016/S1755-5345(13)70014-9 . hdl : 10453/15890 .
  3. ↑ Revista de Modelado de Elección . Consultado el 5 de noviembre de 2015 .{{cite book}}: |website=ignorado ( ayuda )
  4. ↑ Thurston (1994). "Una ley de juicio comparativo" . APA PsycNET . Recuperado el 8 de diciembre de 2017 .
  5. 1 2 Zarembka, Paul (1974). Fronteras en econometría . Nueva York: Academic Press. págs. 105–142 . 
  6. ↑ Luce, R. Duncan (1959). Análisis logit condicional del comportamiento de elección cualitativa . Nueva York: John Wiley & Sons.
  7. ↑ Marley, AAJ (1968-06-01). "Algunos modelos probabilísticos de elección y clasificación simples" . Journal of Mathematical Psychology . 5 (2): 311– 332. doi : 10.1016/0022-2496(68)90078-3 .
  8. ↑ Economía 2000
  9. ↑ Louviere, Jordan J.; Woodworth, George (1983-11-01). "Diseño y análisis de experimentos simulados de elección o asignación del consumidor: un enfoque basado en datos agregados". Journal of Marketing Research . 20 (4): 350– 367. doi : 10.2307/3151440 . JSTOR 3151440 . 
  10. 1 2 Louviere, Jordan J.; Hensher, David A. (1982-01-01). "DISEÑO Y ANÁLISIS DE EXPERIMENTOS DE ELECCIÓN O ASIGNACIÓN SIMULADA EN MODELADO DE ELECCIÓN DE VIAJES" . Transportation Research Record (890). ISSN 0361-1981 . 
  11. 1 2 "Métodos de elección declarada" . Cambridge University Press . Consultado el 4 de noviembre de 2015 .
  12. ↑ Análisis de elección discreta . Estudios de transporte. 18 de diciembre de 1985. ISBN 9780262022170. Consultado el 4 de noviembre de 2015 .{{cite book}}: |website=ignorado ( ayuda )
  13. ↑ Baltas, George; Doyle, Peter (1 de febrero de 2001). "Modelos de utilidad aleatoria en la investigación de marketing: una revisión" . Journal of Business Research . 51 (2): 115– 125. doi : 10.1016/S0148-2963(99)00058-2 . ISSN 0148-2963 . 
  14. ↑ "Matrices ortogonales" . support.sas.com . Consultado el 4 de noviembre de 2015 .
  15. ↑ "ChoiceMetrics | Ngene | Características" . www.choice-metrics.com . Consultado el 4 de noviembre de 2015 .
  16. 1 2 Rose, John M.; Bliemer, Michiel CJ (2009-09-01). "Construcción de diseños experimentales eficientes de elección declarada". Transport Reviews . 29 (5): 587– 617. doi : 10.1080/01441640902827623 . ISSN 0144-1647 . S2CID 111072085 .  
  17. ↑ Street, Deborah J .; Burgess, Leonie (2007-07-20). La construcción de experimentos óptimos de elección declarada: teoría y métodos . John Wiley & Sons. ISBN 9780470148556.
  18. ↑ [Rossi, P., Allenby, G., McCulloch, R. (2009) Estadística bayesiana y marketing. Wiley]
  19. ↑ Flynn, Terry N (marzo de 2016). "¿Son los diseños eficientes utilizados en experimentos de elección discreta demasiado difíciles para algunos encuestados? Un estudio de caso que obtiene preferencias para la atención al final de la vida". Farmacoeconomía . 34 ( 3): 273– 284. doi : 10.1007/s40273-015-0338-z . PMID 26589411. S2CID 207492460 .  
  20. ↑ Jeff Bennet, Universidad de Queensland https://www.epa.qld.gov.au/publications?id=1585 Archivado el 19 de agosto de 2008 en Wayback Machine
  21. ↑ 2001 – El Centro de Economía Internacional – revisión de las metodologías de disposición a pagar
  22. ↑ Yatchew, Adonis; Griliches, Zvi (1985). "Error de especificación en modelos probit" . The Review of Economics and Statistics . 67 (1): 134. doi : 10.2307/1928444 . JSTOR 1928444 . 
  23. ↑ Hensher, David; Louviere, Jordan; Swait, Joffre (1998-11-26). "Combinación de fuentes de datos de preferencias". Journal of Econometrics . 89 ( 1– 2): 197– 221. doi : 10.1016/S0304-4076(98)00061-X . hdl : 2123/19028 .
  24. ↑ Train, Kenneth (2005). Aplicaciones de los métodos de simulación en la economía ambiental y de los recursos . Doredrecht. pp. 1– 16. 
  25. ↑ Sonnier, Garrett; Ainslie, Andrew S.; Otter, Thomas (2007). "Distribuciones heterogeneas de la disposición a pagar en modelos de elección" . doi : 10.2139/ssrn.928412 . S2CID 154620696 . {{cite journal}}: Para citar una revista se requiere |journal=( ayuda )
  26. ↑ Irwin, Neil (4 de septiembre de 2014). "Por qué las universidades con un enfoque distintivo tienen una ventaja oculta" . The Upshot . The New York Times . Recuperado el 9 de mayo de 2023 .
  27. ↑ Selingo, Jeffrey J. (23 de septiembre de 2015). "¿Cuando los estudiantes tienen que elegir entre las mejores universidades, cuál eligen?" . The Washington Post . Consultado el 9 de mayo de 2023 .
  28. ↑ Blau, Peter; Gustad, John; Jessor, Richard; Parnes, Herbert; Wilcock, Richard (1956). "Elección ocupacional: un marco conceptual" . ILR Review . 9 (4): 531– 543. doi : 10.1177/001979395600900401 . S2CID 158449519. Consultado el 18 de abril de 2021 . 
  29. ↑ McCall, Brian P. (1991). "Un modelo dinámico de elección ocupacional" . Journal of Economic Dynamics and Control . 15 (2): 387– 408. doi : 10.1016/0165-1889(91)90019-W . Recuperado el 18 de abril de 2021 .
  30. ↑ Benewitz, Maurice; Zucker, Albert (1968). "Capital humano y elección ocupacional: un modelo teórico" . Southern Economic Journal . 34 (3): 406– 409. doi : 10.2307/1055503 . JSTOR 1055503 . 
  31. ↑ Lang, Kevin (agosto de 2018). "LOS DETERMINANTES DE LA ELECCIÓN OCUPACIONAL DE LOS DOCENTES" . Serie de documentos de trabajo del NBER . 24883. Recuperado el 18 de abril de 2021 .
  • Logotipo de Wikimedia CommonsContenido multimedia relacionado con el modelado de elección en Wikimedia Commons.
  • Bibliografía seleccionada en IDEAS/RePEc