zum Hauptinhalt wechseln zum Hauptmenü wechseln zum Fußbereich wechseln Universität Bielefeld Play Search
Bread­crumb über­sprin­gen und zum Haupt­me­nü wech­seln

Öko­no­me­trie

Prof. Dr. Diet­mar Bauer

© Uni­ver­si­tät Bie­le­feld

Nut­zung der Com­po­si­te Li­keli­hood Me­tho­de zur Schät­zung von Probit-​Modellen

Pro­jekt­lei­ter: Prof. Dr. Diet­mar Bauer

Pro­jekt­lauf­zeit: 01.01.2018 - 30.9.2022

Ver­kehrs­nach­fra­ge­mo­del­le ba­sie­ren auf dis­kre­ten Wahl­mo­del­len mit oft einer gro­ßen Zahl an Al­ter­na­ti­ven. Über­wie­gend wer­den hier­für zu­fäl­li­ge Nut­zen­ma­xi­mie­rungs­an­sät­ze - vor allem mul­ti­no­mia­le Logit-​ (MNL) und Probit-​(MNP) Modelle-​ ver­wen­det.

Für ver­schie­de­ne Spiel­ar­ten von (mixed) MNL-​Modellen exis­tie­ren per­for­man­te Schätz­me­tho­den auf der Basis von (si­mu­lier­ter) Likelihood-​Maximierung, die in der Re­prä­sen­ta­ti­on der Kor­re­la­tio­nen der zu­fäl­li­gen Nut­zen­kom­po­nen­te ver­schie­de­ner Al­ter­na­ti­ven sowie für die Spe­zi­fi­ka­ti­on der Misch­ver­tei­lun­gen Nach­tei­le bie­ten und für grö­ße­re Da­ten­sät­ze sehr große Si­mu­la­ti­ons­stich­pro­ben für Kon­sis­tenz und Ef­fi­zi­enz der Schät­zer be­nö­ti­gen.

Die MNP-​Modelle bie­ten hin­ge­gen vor allem im Panel-​Kontext gute Mo­del­lie­rungs­mög­lich­kei­ten, wei­sen je­doch hin­sicht­lich der Schätz­me­tho­dik Pro­ble­me auf, da hier­für hoch­di­men­sio­na­le Gauß­sche Wahr­schein­lich­keits­funk­tio­nen (CDF) nu­me­risch afu­wän­dig aus­ge­wer­tet wer­den müs­sen.

Als Ab­hil­fe hat die Grup­pe rund um Chand­ra Bhat kürz­lich den "ma­xi­mum com­po­si­te mar­gi­nal li­keli­hood" (MaCML) An­satz vor­ge­schla­gen, der zwei Kon­zep­te ver­eint: Ei­ner­seits wird die Gauß­sche Li­keli­hood durch eine so­ge­nann­te "com­po­si­te mar­gi­nal li­keli­hood" (CML) er­setzt und an­de­rer­seits wird die Be­rech­nung der CDF ana­ly­tisch ap­pro­xi­miert. Der Vor­schlag wurde bis­her le­dig­lich durch sehr gute Ei­gen­schaf­ten in ei­ni­gen Bei­spie­len mit­tels Si­mu­la­ti­ons­stu­di­en mo­ti­viert, eine ein­ge­hen­de theo­re­ti­sche Un­ter­su­chung fand bis­her nicht statt.

An­hand von ein­fa­chen Bei­spie­len sieht man, dass der MaCML An­satz keine Ga­ran­tie für kon­sis­ten­te Schät­zung lie­fert. Eben­so gibt es Kri­tik an der Wahl der von Bhat vor­ge­schla­ge­nen CDF-​Approximation und der CML-​Funktion.

Dem­entspre­chend ist der In­halt die­ses Pro­jek­tes die ein­ge­hen­de Un­ter­su­chung der Ei­gen­schaf­ten von Schät­zern auf der Basis des MaCML An­sat­zes hin­sicht­lich der Wahl der CML Funk­ti­on sowie der Ap­pro­xi­ma­ti­on hin­sicht­lich (i) der asym­pto­ti­schen Ver­zer­rung, (ii) der re­la­ti­ven Ef­fi­zi­enz, sowie (iii) der Güte von dar­auf auf­bau­en­den Mo­dell­se­lek­ti­ons­pro­ze­du­ren.

Es ist das vor­ran­gi­ge Ziel des Pro­jek­tes, nu­me­risch per­for­man­te und sta­tis­tisch va­li­de Schätz­pro­ze­du­ren (in­klu­si­ve ad­äqua­ter Pro­ze­du­ren zur In­itia­li­sie­rung) für MNP-​Modelle in Pa­nel­da­ten­sät­zen mit einer gro­ßen An­zahl an Al­ter­na­ti­ven zu ent­wi­ckeln.

Die im Pro­jekt er­ar­bei­te­ten Me­tho­den sol­len dafür ver­wen­det wer­den, die bis­her un­zu­rei­chend er­forsch­ten De­ter­mi­nan­ten der Wahl von so­ge­nann­ten Mobilitäts-​Motifs (Ab­bild der Wege eines Tages in Form von ge­rich­te­ten Gra­phen) zu un­ter­su­chen. In ver­schie­de­nen Da­ten­sät­zen wurde ge­zeigt, dass nur eine klei­ne Grup­pe von 17 Mo­tifs aus einer po­ten­ti­ell gro­ßen An­zahl ge­wählt wer­den. Es gibt aber noch wenig Wis­sen dar­über, wel­che De­ter­mi­nan­ten hin­ter der Wahl eines Mo­tifs lie­gen und ob die re­la­ti­ven Häu­fig­kei­ten der Wahl der ver­schie­de­nen Mo­tifs über die Zeit hin­weg sta­bil ist. Die­ses Wis­sen stellt für die Ent­wick­lung von ak­ti­vi­täts­ba­sier­ten Ver­kehrs­nach­fra­ge­mo­del­len eine wert­vol­le Grund­la­ge dar.

DFG-​Detailseite

Zum Seitenanfang

Datenschutzeinstellung

Diese Webseite verwendet Cookies und ähnliche Technologien. Einige davon sind essentiell, um die Funktionalität der Website zu gewährleisten, während andere uns helfen, die Website und Ihre Erfahrung zu verbessern. Falls Sie zustimmen, verwenden wir Cookies und Daten auch, um Ihre Interaktionen mit unserer Webseite zu messen. Sie können Ihre Einwilligung jederzeit unter Datenschutzerklärung einsehen und mit der Wirkung für die Zukunft widerrufen. Auf der Seite finden Sie auch zusätzliche Informationen zu den verwendeten Cookies und Technologien.