[论文解读] 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 4

一句话总结

本文提出Halo MNL模型，该模型是多项对数（MNL）选择模型的扩展，通过引入产品之间的成对交互效应，以捕捉客户选择行为中的正向或负向光环效应。通过建模某一产品是否存在对其他产品选择概率的影响，该模型在丰富数据集上相比标准MNL模型显著提升了拟合效果，同时通过最大似然估计建立了充分可识别性条件，并获得闭式解。

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.

研究动机与目标

• 开发一种能够捕捉组合中产品之间正负交互效应的客户选择模型，突破MNL模型对无关选项独立性（IIA）的假设。
• 建立模型参数的充分可识别性条件，以确保在所提框架下参数估计的稳健性与有效性。
• 在特定条件下推导模型参数的闭式最大似然估计量，实现高效估计。
• 通过模拟实验与真实世界数据（特别是Hotel Chain数据集）对模型性能进行数值评估。
• 从似然度、AIC和BIC指标出发，比较Halo-MNL模型与标准MNL模型在拟合度、准确度与鲁棒性方面的表现。

提出的方法

• 通过在线性效用函数中引入产品之间的成对交互项，扩展多项对数（MNL）模型，以建模光环效应。
• 推导出充分可识别性与部分可识别性条件，确保在参数数量增加的情况下，参数估计仍具唯一性与稳定性。
• 在特定结构假设下，应用具有闭式解的最大似然估计（MLE）方法求解模型参数。
• 通过两组真实参数的模拟实验，评估估计量的准确度与收敛行为。
• 利用Hotel Chain数据集的真实数据，通过对数似然、AIC与BIC得分比较模型性能。
• 使用Baron优化软件计算最大似然估计，并比较不同模型在计算运行时间与模型拟合度方面的表现。

实验结果

研究问题

• RQ1 是否能够通过引入产品之间成对交互效应的客户选择模型，更好地捕捉现实世界的选择行为，相比标准MNL模型？
• RQ2 在存在交互项的情况下，模型结构需满足何种充分条件，才能确保参数的可识别性？
• RQ3 在模拟环境中，所提出的闭式估计量在准确度与收敛性方面相较于标准MLE表现如何？
• RQ4 在真实世界数据中，Halo-MNL模型是否在拟合度与预测准确度方面优于MNL模型，尤其在数据丰富时？
• RQ5 在真实数据比较中，AIC与BIC等信息准则如何在Halo-MNL与MNL模型的拟合度与复杂度之间实现平衡？

主要发现

• 在完整数据集上，Halo-MNL模型的拟合度显著优于MNL模型，对数似然值更高（-1192.10 vs. -1259.91），AIC更低（2404.20 vs. 2535.82），BIC也更低（2454.64 vs. 2576.17）。
• 尽管参数更多，Halo-MNL模型在完整数据集的所有指标上均优于MNL模型，表明其具有更优的拟合度与鲁棒性。
• 在测试集上，Halo-MNL模型的对数似然值更高（-301.34 vs. -304.43），但MNL在AIC与BIC上表现更优，表明该权衡取决于数据规模。
• 模拟结果表明，随着训练数据中提供集合数量的增加，Halo-MNL模型在AIC与BIC上的表现相较MNL持续改善。
• 模型估计过程耗时20.48秒（Halo-MNL）对比6.4秒（MNL），表明新增复杂度带来的计算成本在可接受范围内。
• 结果证实，对于足够丰富的数据集，Halo-MNL模型即使在考虑模型复杂度惩罚后，仍能提供比MNL更优的拟合效果。