[논문 리뷰] Conjugating Variational Inference for Large Mixed Multinomial Logit Models and Consumer Choice

Weiben Zhang, Rubén Loaiza‐Maya외 2명|arXiv (Cornell University)|2026. 02. 13.

Consumer Market Behavior and Pricing인용 수 0

한 줄 요약

논문은 랜덤 계수의 조건부 사후의 Gaussian 근사를 효율적으로 업데이트하여 대규모 혼합 로짓 모델의 베이지안 추정 가능성을 확장하는 새로운 변분 추론 방법을 개발하고, 이를 표준, 중첩, 번들 선택 모델에 적용한다.

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.

연구 동기 및 목표

• 다항 선택 데이터의 이질성을 해결하기 위해 랜덤 계수를 갖는 대규모 혼합 로짓 모델을 추정한다.
• 랜덤 계수의 조건부 사후를 업데이트하는 계산 병목을 극복하는 확장 가능한 변분 추론(VI) 방법을 개발한다.
• 시뮬레이션과 대규모 스캐너 패널 데이터에 방법을 적용하여 파스타 선택 및 번들 효과를 연구한다.
• 매장 특성, 가격, 판촉 및 지리적 요인이 가격 탄력성의 이질성과 모형 정확도에 미치는 영향을 조사한다.

제안 방법

• 혼합 로짓 모델에 대한 기존 베이지안 변분 추론 방법을 검토하고 병목 현상을 확인한다.
• 랜덤 계수의 조건부 사후에 대한 Gaussian 근사를 효율적으로 업데이트하는 새로운 VI 단계를 도입한다.
• 재매개화 기법과 확률적 경사 기법을 적용하여 대규모 데이터에 확장한다.
• 제안된 VI 방법을 사용하여 표준, 중첩 및 번들 혼합 로짓 모델을 추정한다.
• 시뮬레이션 및 대규모 스캐너 패널의 파스타 선택 데이터셋을 통해 성능을 평가한다.
• 고정 계수 모형과 비교하여 혼합 모델의 예측 정확도를 비교한다.

실험 결과

연구 질문

• RQ1 대규모 혼합 로짓 모델에서 랜덤 계수의 Gaussian 근사를 효율적으로 업데이트하기 위해 변분 추론 절차를 설계할 수 있는가?
• RQ2 제안된 VI 방법이 표준, 중첩 및 번들 혼합 로짓 구조에서 기존 VI 방법에 비해 어떻게 작동하는가?
• RQ3 매장 규모, 프리미엄 상태, 지리 등과 같은 모델 특징이 추정된 가격 탄력성 및 이질성에 미치는 영향은 무엇인가?
• RQ4 번들 선택으로 확장하는 것이 모델의 정확도와 예측 성능을 향상시키는가?

주요 결과

• 새로운 VI 방법은 랜덤 계수의 조건부 사후의 Gaussian 근사를 업데이트하는 핵심 병목 현상을 해결함으로써 효율성을 향상시킨다.
• 시뮬레이션에서 이 방법은 대규모 혼합 로짓 모델 추정에 있어 기존 VI 접근법을 능가한다.
• 대규모 파스타 선택 스캐너 패널에 적용하면 가격 및 판촉에 대한 소비자 반응이 매장 및 제품 수준에서 상당한 이질성을 보인다.
• 매장 규모, 프리미엄 상태 및 지리적 위치가 매장 수준의 가격 탄력성 추정의 원인이다.
• 파스타 소스 번들 선택으로의 확장이 모델 정확도를 추가로 향상시킨다.
• 혼합 모델의 예측은 고정 계수 모형의 예측보다 더 정확하다.