[論文レビュー] Conjugating Variational Inference for Large Mixed Multinomial Logit Models and Consumer Choice

Weiben Zhang, Rubén Loaiza‐Maya+2 more|arXiv (Cornell University)|Feb 13, 2026

Consumer Market Behavior and Pricing被引用数 0

ひとこと要約

新しい変分推論法は、ランダム係数の条件後部のガウス近似を効率的に更新することで、大規模混合多項ロジットモデルのベイジアン推定をスケールさせ、標準モデル、ネストモデル、バンドル（束）選択モデルに適用する。

ABSTRACT

Heterogeneity in multinomial choice data is often accounted for using logit models with random coefficients. Such models are called "mixed", but they can be difficult to estimate for large datasets. We review current Bayesian variational inference (VI) methods that can do so, and propose a new VI method that scales more effectively. The key innovation is a step that updates efficiently a Gaussian approximation to the conditional posterior of the random coefficients, addressing a bottleneck within the variational optimization. The approach is used to estimate three types of mixed logit models: standard, nested and bundle variants. We first demonstrate the improvement of our new approach over existing VI methods using simulations. Our method is then applied to a large scanner panel dataset of pasta choice. We find consumer response to price and promotion variables exhibits substantial heterogeneity at the grocery store and product levels. Store size, premium and geography are found to be drivers of store level estimates of price elasticities. Extension to bundle choice with pasta sauce improves model accuracy further. Predictions from the mixed models are more accurate than those from fixed coefficients equivalents, and our VI method provides insights in circumstances which other methods find challenging.

研究の動機と目的

• 多項選択データの異質性に対処するため、ランダム係数を含む大規模な混合ロジットモデルを推定する。
• ランダム係数の条件後部の更新における計算ボトルネックを克服するスケーラブルな変分推論（VI）法を開発する。
• シミュレーションと大規模スキャナー・パネルデータセットを用いて、パスタの選択とバンドル効果を研究する。
• 店舗特性、価格、プロモーション、地理が価格弾力性とモデル精度の異質性に与える影響を調査する。

提案手法

• 混合ロジットモデルの既存のベイズ変分推論手法を整理し、ボトルネックを特定する。
• ランダム係数の条件後部へのガウス近似を効率的に更新する新しいVIステップを導入する。
• リパラメータ化の工夫と確率的勾配法を適用して大規模データにスケールさせる。
• 提案したVI法を用いて標準・ネスト・バンドル混合ロジットモデルを推定する。
• シミュレーションと大規模スキャナー・パネルのパスタ選択データを用いて性能を評価する。
• 混合モデルの予測精度と固定係数モデルの比較を行う。

実験結果

リサーチクエスチョン

• RQ1 大規模混合ロジットモデルにおけるランダム係数のガウス近似を効率的に更新するVI手法を設計できるか。
• RQ2 標準・ネスト・バンドル混合ロジット構造において、既存のVI手法と比較して提案VI法の性能はどうか。
• RQ3 店舗規模、プレミアム属性、地理といったモデル特徴が推定価格弾力性と異質性に与える影響は何か。
• RQ4 パスタソースを含むバンドル選択への拡張は、モデルの精度と予測性能を向上させるか。

主な発見

• 新しいVI法は、ランダム係数の条件後部のガウス近似の更新という重要なボトルネックに対処することで効率性を向上させる。
• シミュレーションでは、既存のVIアプローチより大規模な混合ロジットモデルの推定において性能が上回る。
• 大規模なパスタ選択スキャナー・パネルに適用すると、価格とプロモーションに対する消費者反応は店舗および製品レベルで顕著な異質性を示す。
• 店舗規模、プレミアム属性、地理が店舗レベルの価格弾力性推定の推進要因である。
• パスタソースを含むバンドル選択への拡張はモデル精度をさらに向上させる。
• 混合モデルからの予測は固定係数モデルよりも高精度である。