[論文レビュー] Discovering Context Effects from Raw Choice Data

Arjun Seshadri, Alexander Peysakhovich+1 more|arXiv (Cornell University)|Feb 8, 2019

Economic and Environmental Valuation被引用数 11

ひとこと要約

本稿では、選択集合効果をペアワイズアイテム相互作用をモデル化することで捉えることにより、マルチノミアル・ロジット（MNL）モデルの拡張である文脈依存ランダムユーティリティモデル（CDM）を提案する。最尤推定の最適化、IIA（無関係な選択肢の独立性）の解釈可能な検出、ℓ₂正則化によるロバストな性能を実現し、合成データおよび実世界のデータセットにおいて強力な経験的妥当性を示しており、文脈効果が存在する状況ではCDMがMNLを著しく上回ることを示している。

ABSTRACT

Many applications in preference learning assume that decisions come from the maximization of a stable utility function. Yet a large experimental literature shows that individual choices and judgements can be affected by "irrelevant" aspects of the context in which they are made. An important class of such contexts is the composition of the choice set. In this work, our goal is to discover such choice set effects from raw choice data. We introduce an extension of the Multinomial Logit (MNL) model, called the context dependent random utility model (CDM), which allows for a particular class of choice set effects. We show that the CDM can be thought of as a second-order approximation to a general choice system, can be inferred optimally using maximum likelihood and, importantly, is easily interpretable. We apply the CDM to both real and simulated choice data to perform principled exploratory analyses for the presence of choice set effects.

研究の動機と目的

• 標準的なランダムユーティリティモデルが無関係な選択肢の独立性（IIA）を仮定するという限界に対処すること。これは現実の選択行動においてしばしば成立しない。
• 過剰なパラメータ化を避けながら、選択集合における意味のある文脈効果（特にペアワイズ相互作用）を捉えるモデルの開発。
• ネストドモデルの仮説検定を用いて、原理的かつ統計的に妥当なIIA違反の検出。
• 特にスパースまたはアンバランスなデータ設定において、モデルの同定可能性と安定した推論を保証するためのℓ₂正則化の導入。
• 完全なペアワイズ比較がコストとなる大規模なアイテム集合における、スケーラブルな低ランクバージョンのCDMの提供。

提案手法

• MNLモデルを拡張し、ペアワイズ相互作用行列Uを導入。ここで、u_xy はアイテム y がアイテム x の選択確率に与える影響を表す。
• 選択確率を、ペアワイズ文脈効果で調整されたアイテムのユーティリティ関数の関数としてモデル化：P(x|S) ∝ exp(∑_{y∈S\{x}} u_xy)。
• 原始的な選択データからU行列を最尤推定により学習するが、同定可能性を保証するためℓ₂正則化を適用。
• CDMとMNLモデルを比較するネストド尤度比検定を用い、与えられたデータセットでIIAが成り立つかどうかを検証。
• 特異値分解を用いたUの低ランク近似を採用し、パラメータ数を削減し、スケーラビリティを向上。
• 比較グラフの構造とサンプルサイズを用いて、推定誤差の有限標本における収束保証を導出。

実験結果

リサーチクエスチョン

• RQ1 原理的かつ解釈可能なモデルは、IIAを仮定せずに、原始的な選択データから文脈効果を検出できるか？
• RQ2 有限標本において、CDMは標準モデルと比較してIIA違反をどの程度うまく検出できるか？
• RQ3 データがスパースまたはアンバランスな場合、ℓ₂正則化はモデルの同定可能性を確保するために果たす役割は何か？
• RQ4 CDMは、三つ組比較タスクのような複雑な選択行動を効果的にモデル化できるか？
• RQ5 多くのアイテムと限られた比較回数がある大規模な設定において、低ランクCDMの性能はいかがなものか？

主な発見

• IIAが成立する場合、CDMとMNLのネストド尤度比検定は正しく帰無仮説を棄却せず、有限標本でも有意水準5％に近い第一種の誤り率を示した。
• IIAが違反されている場合、中規模のデータセットでもCDMに基づく検定は帰無仮説を圧倒的に棄却し、高い統計的パワーを示した。
• 一方、一般選択システムとMNLを用いたネストド検定は、IIAが真であっても帰無仮説を過剰に棄却する傾向にあり、CDMの優れた推論的信頼性を浮き彫りにした。
• IIAを満たすデータに対してはCDMはMNLと同等にフィットするが、文脈効果が存在する場合には意味のある文脈効果を捉えることができ、モデルの柔軟性を示した。
• ℓ₂正則化は、モデルが他に同定不能であるペアワイズ比較設定において、CDMの同定可能性を保証する上で唯一の要因となった。
• 低ランクCDMは、フルランクモデルと比較して顕著に少ないパラメータ数で大規模なアイテム集合のモデリングを可能にし、強力な性能を維持した。