[論文レビュー] A Customer Choice Model with HALO Effect

Reza Yousefi Maragheh, Alexandra Chronopoulou+1 more|arXiv (Cornell University)|May 4, 2018

Consumer Market Behavior and Pricing参考文献 18被引用数 4

ひとこと要約

本稿では、顧客選好行動における正または負のホールオーフェクトを捉えるために、製品間のペアワイズ相互作用効果を組み込んだ、多項ロジット（MNL）選好モデルの拡張版であるHalo MNLモデルを提案する。1つの製品の存在または不在が他の製品の選択確率に与える影響をモデル化することで、特に豊富なデータセットにおいて、標準的なMNLモデルよりも高いフィットを達成する。また、閉形式解を伴う最尤推定による安定したパラメータ推定を可能にする十分な同定可能性条件を確立する。

ABSTRACT

In this paper, we propose an extension to the multinomial logit (MNL) model, the Halo MNL, that takes into account the interaction effects among products in an assortment. In particular, this model incorporates pairwise interactions of items in an effort to describe positive/negative effects among products that are present/absent in the assortment. Furthermore, we are interested in establishing sufficient conditions for identifiability, in order to build robust estimation methods. Under strict identifiability conditions, we use maximum likelihood to estimate the model parameters for which we derive closed formulas. We also perform simulation experiments, in order to numerically evaluate our method, study the accuracy of the estimators and compare it with the MNL. Last, we fit our model in the Hotel Chain dataset in Bodea et al., and we compare it with MNL in terms of efficiency, accuracy and robustness. We conclude that for rich enough datasets the model that includes interaction effects performs better in terms of how well it fits the data.

研究の動機と目的

• MNLモデルの独立代替要因（IIA）仮定を越えて、アソートメント内における製品間の正または負の相互作用効果を捉える顧客選好モデルの開発。
• 提案フレームワーク下でのロバストかつ妥当なパラメータ推定を保証するための、モデルパラメータの十分な同定可能性条件の確立。
• 特定の構造的仮定の下で、モデルパラメータの閉形式最尤推定量の導出。これにより、効率的な推定が可能となる。
• シミュレーションおよび実世界のデータ（特にホテルチェーンデータセット）を用いた数値的評価を通じて、モデルの性能を検証。
• 尤度、AIC、BIC指標に基づき、Halo-MNLモデルと標準MNLモデルのフィット、精度、ロバスト性を比較。

提案手法

• 製品間のペアワイズ相互作用項を線形効用関数に導入することで、多項ロジット（MNL）モデルを拡張し、ホールオーフェクトをモデル化する。
• パラメータの数が増加しても、一意的かつ安定したパラメータ推定を保証するための十分な同定可能性および部分的同定可能性条件を導出する。
• 特定の構造的仮定の下で、閉形式解を伴う最尤推定（MLE）をモデルパラメータに適用する。
• 推定器の精度および収束性を評価するため、2つの真のパラメータセットを用いたシミュレーション実験を実施する。
• ホテルチェーンデータセットの実データを用いて、対数尤度、AIC、BICスコアを用いてモデルの性能を比較する。
• バロン最適化ソフトウェアを用いて最尤推定量を計算し、モデル間での計算実行時間およびモデルフィットを比較する。

実験結果

リサーチクエスチョン

• RQ1 製品間のペアワイズ相互作用効果を組み込んだ顧客選好モデルは、標準MNLモデルに比べて、現実の選好行動をよりよく捉えることができるか？
• RQ2 相互作用項を含む状況下で、パラメータの同定可能性を保証するためのモデル構造に必要な十分条件は何か？
• RQ3 シミュレーション設定において、提案された閉形式推定量は、標準MLEに比べて精度および収束性においてどのように性能を発揮するか？
• RQ4 データの豊富さが十分な場合、Halo-MNLモデルは実世界のデータにおいてMNLモデルを上回るフィットと予測精度を示すか？
• RQ5 実データにおいて、AIC や BIC といった情報基準は、Halo-MNL と MNL の間で、フィットとモデルの複雑さのバランスをどのようにとるか？

主な発見

• 全データセットでは、Halo-MNLモデルはMNLモデルよりも顕著に高いフィットを達成し、対数尤度スコア（-1192.10 対 -1259.91）、AIC（2404.20 対 2535.82）、BIC（2454.64 対 2576.17）の各指標で優位であった。
• より多くのパラメータを有するにもかかわらず、全データセット全体でHalo-MNLモデルはすべての指標でMNLモデルを上回り、優れたフィットとロバスト性を示した。
• テストセットでは、Halo-MNLモデルの対数尤度（-301.34 対 -304.43）は高いが、AIC および BIC ではMNLモデルが優れているため、データサイズに依存するトレードオフが生じている。
• シミュレーションの結果、トレーニングデータ内のオファー集合の数が増加するにつれて、Halo-MNLモデルのAICおよびBIC性能がMNLモデルに対して改善された。
• モデル推定処理の所要時間は、Halo-MNLで20.48秒、MNLで6.4秒であり、追加の複雑性に対しては妥当な計算コストであった。
• 結果から、十分に豊富なデータセットでは、モデルの複雑さをペナルティとして加味しても、Halo-MNLモデルがMNLモデルよりも優れたフィットを提供することが確認された。