[论文解读] 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 0

一句话总结

本文开发了一种新的变分推断方法，通过高效更新对随机系数条件后验的高斯近似来扩展大规模混合多项式逻辑模型的贝叶斯估计，并将其应用于标准、嵌套和束选择模型。

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.

研究动机与目标

• 通过估计具有随机系数的大型混合逻辑模型来解决多项选择数据中的异质性问题。
• 开发一种可扩展的变分推断（VI）方法，克服在更新随机系数条件后验时的计算瓶颈。
• 在仿真和一个大型扫描面板数据集上演示该方法，研究意面选择和束效应。
• 研究商店特征、价格、促销和地理因素如何驱动价格弹性和模型准确性的异质性。

提出的方法

• 回顾现有的用于混合逻辑模型的贝叶斯变分推断方法并识别瓶颈。
• 引入一种新的VI步骤，能够高效更新随机系数条件后验的高斯近似。
• 应用重参数化技巧与随机梯度技术以实现对大数据集的扩展。
• 使用所提出的VI方法估计标准、嵌套和束混合逻辑模型。
• 通过仿真和大型扫描面板的意面选择数据集来评估性能。
• 将混合模型的预测精度与固定系数模型进行比较。

实验结果

研究问题

• RQ1 是否可以设计一个变分推断过程来高效更新大型混合逻辑模型中随机系数的高斯近似？
• RQ2 与现有VI方法相比，所提VI方法在标准、嵌套和束混合逻辑结构中的表现如何？
• RQ3 商店规模、溢价状态、地理位置等模型特征对估计的价格弹性和异质性有何影响？
• RQ4 扩展到束选择是否会提升模型的准确性和预测性能？

主要发现

• 新型VI方法通过解决更新随机系数条件后验的高斯近似这一关键瓶颈来提高效率。
• 在仿真中，该方法在估计大型混合逻辑模型方面优于现有的VI方法。
• 应用于大型意面选择扫描面板时，消费者对价格和促销的反应在商店和产品层面呈现显著异质性。
• 商店规模、溢价状态和地理因素是商店层面价格弹性估计的驱动因素。
• 扩展到意面酱的束选择进一步提高了模型的准确性。
• 混合模型的预测比固定系数等效模型更为准确。