Discrete keuze theorie H01I6A Verkeerskunde basis

Slides:



Advertisements
Verwante presentaties
Statistische uitspraken over onbekende populatiegemiddelden
Advertisements

Erfelijkheid Thema 3.
Toepassingen met integralen
Wiskunde in de Tweede fase
Voorraadwaardering Technische en economische voorraad FIFO methode
toepassingen van integralen
Wat levert de tweede pensioenpijler op voor het personeelslid? Enkele simulaties op basis van weddeschaal C1-C3, in vergelijking met laatste loon en met.
H1 Basis Rekenvaardigheden
Het Web als een graaf Mathematical Institute LAPP-Top C-I We kunnen het (Surface) Web zien als een gerichte graaf: •Iedere webpagina is een knoop… •Er.
Record Linkage: Simulatie Resultaten Adelaide Ariel Biolink NL 28 maart 2014.
Project week 1 Foto’s van reclame onderweg
vwo A/C Samenvatting Hoofdstuk 6
Betrouwbaarheid en validiteit: Alleen een kwestie van goed meten ?
Uitwerking tentamen Functioneel Programmeren 29 januari 2009.
Het vergelijken van twee populatiegemiddelden: Student’s t-toets
Help! Statistiek! Doorlopende serie laagdrempelige lezingen,
1 Hashtabellen Datastructuren. 2 Dit onderwerp Direct-access-tabellen Hashtabellen –Oplossen van botsingen met “ketens” (chaining) –Analyse –Oplossen.
28 april Symposium Statistical Auditing
Demografie, human capital, en de vraag naar woningen
Quizmasters: Sanne Bijlsma Gemeente Zundert Fons Merken Wonen Limburg
havo A Samenvatting Hoofdstuk 11
Blogs Annette Ficker Tim Oosterwijk Opdrachtgever: Matthieu Jonckheere
vwo A/C Samenvatting Hoofdstuk 2
Discrete keuze theorie H01I6A Verkeerskunde basis cursus 2011
1 Datastructuren Sorteren: alleen of niet alleen vergelijkingen College 5.
Jong geleerd, fout gedaan?
Transport en locatie warehouse
Autisme en het verwerken van sociale informatie
vwo A Samenvatting Hoofdstuk 13
vwo C Samenvatting Hoofdstuk 14
De grafiek van een lineair verband is ALTIJD een rechte lijn.
Differentieer regels De afgeleide van een functie f is volgens de limietdefinitie: Meestal bepaal je de afgeleide niet met deze limietdefinitie, maar.
Differentieer regels De afgeleide van een functie f is volgens de limietdefinitie: Meestal bepaal je de afgeleide niet met deze limietdefinitie, maar.
Gegevensverwerving en verwerking
Schatter voor covariantie
Discrete stochasten Onderwerpen Stochasten (random variables)
Continue kansverdelingen
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
Beslisbomen Robert de Hoog College Beslissingsondersteuning 26 september 2002.
Wat levert de tweede pensioenpijler op voor het personeelslid? 1 Enkele simulaties op basis van de weddeschaal B1-B3.
GENERATIE Distributie Modal split Toedeling
Voorspellende analyse
Hoofdstuk 11 Kwantitatieve gegevens analyseren Methoden en technieken van onderzoek, 5e editie, Mark Saunders, Philip Lewis, Adrian Thornhill, Marije.
Johan Deprez 12de T3-symposium, Oostende, augustus 2009
Logistische regressie
Workshop: Geheimschrift op de TI-83+
Temperatuur reconstructie door Mann et al.
2.6 Het gebruik van formules en diagrammen
Meetonzekerheden In de natuurkunde moet je vaak een grootheid meten
Hogere wiskunde Limieten college week 4
havo A Samenvatting Hoofdstuk 3
Illustratie mogelijke redenen lage ICC’s in multilevel modellen bij de CQI Peter Moorer ARGO Rijksuniversiteit Groningen BV © ARGO – april 2009.
Rekenen met procenten.
Klik ergens op het witte deel van deze pagina om verder te gaan
Hashtabellen Datastructuren. 2 Dit onderwerp Direct-access-tabellen Hashtabellen –Oplossen van botsingen met “ketens” (chaining) –Analyse –Oplossen van.
H2 Lineaire Verbanden.
Opbrengsten van onderwijs
Hoofdstuk 5 Vijfkaart hoog, eerste verkenning 1e9 NdF-h1 NdF-h5 1 1.
Bewerkingen met breuken Les 37.
Varianties bij replicatie (herhaald testen)
Hoeveelheidsaanpassing II
havo B Samenvatting Hoofdstuk 1
Cursus Regressie-analyse Rijkswaterstaat, 13 februari ASSUMPTIES (1)
Wiskunde A of wiskunde B?.
Baarde en de goede Hoofdstuk 11: Data-analyse
Opvoedrelaties onder spanning Bijeenkomst 4. Debat passend onderwijs Lees §1.1 Sipman goed door. In de maatschappij lijkt het aantal kinderen met gedragsproblemen.
Hoorcollege 3 Enterprise Dynamics: Enkele verdelingen (visueel)
PLATOS Colloquium 2016 William van Genugten Rens van Overdijk Het optimaliseren van fietsgedrag in verkeersmodellen.
Verkeersvoorspellingen met modellen
Voorspellende analyse
Transcript van de presentatie:

Discrete keuze theorie H01I6A Verkeerskunde basis Jim Stada Traffic and Infrastructure Faculty of Engineering Katholieke Universiteit Leuven

Overzicht college Keuze Utiliteit Logitmodel Voorbeelden Specificatie Aggregatie Beperkingen Hiërarchisch (nested) logitmodel 5 maart 2009

Voorbeelden van keuze in de verkeerskunde Gebieds- gegevens Ritproductie/ ritattractie Vervoersstromen Trip-ends Verplaatsings- weerstanden H-B tabellen Distributie/ vervoerwijzekeuze Toedeling Transport netwerken Keuze voor: Wel of niet maken van verplaatsing Bestemming Vervoerwijze Route 5 maart 2009

Discrete keuze theorie Algemene theorie over keuze tussen discrete (elkaar uitsluitende) alternatieven Afkomstig uit de psychologie en economie Belangrijke referenties: D. Mc Fadden M. Ben Akiva en S. Lerman (1985) Discrete choice analysis: Theory and application to Travel Demand (The MIT Press) K. Train 5 maart 2009

Werkwijze dataset met gegevens over de keuzes die mensen gemaakt hebben in bepaalde situaties Opsporen regelmatigheden in die keuzes Gieten in mathematische vorm Afgeleide formules gebruiken om de keuzes in nieuwe situaties te voorspellen. 5 maart 2009

Kenmerken van alternatieven en keuzemaker + een keuzeregel Kenmerken alternatieven Reistijd Reiskosten Comfort Auto t1 k1 c1 Bus t2 k2 c2 Lopen t3 k3 c3 Kenmerken van de alternatieven Ook van invloed: kenmerken van de keuzemaker (bijv. inkomen) Tenslotte nodig: een keuzeregel 5 maart 2009

Persoon kiest alternatief met hoogste utiliteit Keuzeregel: De aantrekkelijkheid van een alternatief a voor persoon n kan worden uitgedrukt in één getal, de utiliteit: Uan Persoon kiest alternatief met hoogste utiliteit Utiliteiten : niet direct waarneembaar Kenmerken alternatieven en personen: wel waarneembaar Daarom: Uan = functie (kenmerken alternatief a, kenmerken persoon n) 5 maart 2009

Stochastische utiliteit Personen in (voor de waarnemer) exact dezelfde situatie (zelfde kenmerken a en n) maken toch verschillende keuzen! Waarom? Er zijn een (mogelijk groot) aantal kenmerken die de analist niet waarneemt! Daarom: Definieer Uan als een stochastische variabele: met Van deterministisch = f(kenmerken a,n) en  een kansvariabele De kans dat alternatief a wordt gekozen (door persoon n) wordt nu: (We laten in het vervolg n weg als dat niet tot onduidelijkheid leidt) 5 maart 2009

Voorbeeld 1 Stel een keuzesituatie met 2 alternatieven: Stel kansverdelingen: De kans dat alternatief 1 wordt gekozen is: Pr(1) = 0,75 Pr(2) = 0,25 5 maart 2009

Voorbeeld 2 Pr(1) = Pr(U1 > U2) = Pr(5 + 1 > 7 + 2) Uniform verdeeld tussen –2 en +2 2 Uniform verdeeld tussen –1 en +1 En kansverdelingen Onafhankelijk ! Alt 1 wordt gekozen Kans = 1/16 3 7 6 8 Alt 1 Alt 2 5 maart 2009

Kansverdeling stoortermen  Probit model Logit model Kansfunctie? Normale Verdeling Gumbel Varianties? Verschillend Identiek Onderling afhankelijk? Ja Nee 5 maart 2009

Normale verdeling vs Gumbel-verdeling 5 maart 2009

Logitmodel Als we voor de kansverdelingen van de stoortermen aannemen: Aanname 1: Gumbel-verdelingen Aanname 2: identiek (zelfde variantie :: 1/2 ) Aanname 3: onafhankelijk Dan kan worden aangetoond: 5 maart 2009

Binaire logitmodel Keuze tussen twee alternatieven: Deel teller en noemer door 5 maart 2009

Voorbeeld binaire logit Gebruik logitmodel voor berekening productie Keuzeverzameling voor een persoon: Alternatief 1: maakt wel woon-werk verplaatsing Alternatief 2: maakt niet woon-werk verplaatsing Persoonskenmerken: L = Leeftijd (in jaren 16-90) OPL = Opleiding (schaal van 1-17) G = Geslacht (0 = vrouw, 1 = man) GM = Gehuwde man (0 = nee, 1 = ja) GV = Gehuwde vrouw (0 = nee, 1 = ja) VK = Vrouw met jong kind (0 = nee, 1 = ja) Geschatte functies voor V (uit waarnemingen): Opmerkingen: Alleen verschil V1 en V2 is van belang ! Aggregeren over zone ! Check de plausibiliteit van de coefficienten ! 5 maart 2009

Multinomiale logit Gebruik logitmodel voor berekening vervoerwijzekeuze Voorbeeld vervoerwijzekeuze Pr(a) de kans dat vervoerwijze a wordt gekozen Vk de (waarneembare) utiliteit van vervoerwijze k K het aantal alternatieve vervoerwijzen Als K = 2 binaire logit Als K > 2 multinomiale logit 5 maart 2009

Voorbeeld multinomiale logit Gebruik logitmodel voor berekening vervoerwijzekeuze Geschatte functies voor V (uit waarnemingen): Vauto = 1,00 - 0,15*KOSTauto - 0,10*TIJDauto Vbus = - 0,15*KOSTbus - 0,10*TIJDbus Vfiets = -0,50 - 0,10*TIJDfiets Auto Bus Fiets TIJD (min) 5 15 20 KOST (Euro*10) 0,20 0,17 - Stel gegeven: Dan: Vauto = +0,47, Vbus = -1,53, Vfiets = -2,50 Modal split Pr(auto) = e0,47 / (e0,47 + e-1,53 + e -2,50) = 85% Pr(bus) = = 11% Pr(fiets) = = 4% Opmerkingen: V kan negatief zijn ! V + constante verandert uitkomsten niet ! 5 maart 2009

Specificatie logitmodel Functionele vorm utiliteitsfuncties Meestal lineaire functies maar niet verplicht Variabelen in de utiliteitsfunctie Generieke variabelen Alternatief-specifieke variabelen Schatting (calibratie) van de utiliteitsfuncties Niet in dit college Vauto = 1,00 - 0,15*KOSTauto - 0,10*TIJDauto Vbus = - 0,15*KOSTbus - 0,10*TIJDbus Vfiets = -0,50 - 0,10*TIJDfiets 5 maart 2009

Geaggregeerde en gedisaggregeerde modellen Stel 2 personen A en B: Correct is eerst Pr(A) en Pr(B) bepalen, daarna middelen. Foutief is eerst VA en VB middelen, daarna Pr(C) bepalen. Voor een zone betekent dit eerst kansen voor homogene groepen bepalen, daarna aggregeren. 5 maart 2009

Havenkeuzemodel 5 maart 2009

Resultaten schatting (op basis van gegevens 1992 Statisches Bundesamt) 5 maart 2009

Toepassing model Effect aanleg IJzeren Rijn 5 maart 2009

Beperkingen logitmodel (1) Voor de kansverdeling van de stoortermen: Aanname 1: Gumbel-verdelingen Aanname 2: identiek (zelfde variantie :: 1/2 ) Aanname 3: onafhankelijk Logit routekeuze Geeft verkeerd resultaat Want variantie stoortermen niet identiek 5 maart 2009

Beperkingen logitmodel (2) Logit routekeuze Geeft verkeerd resultaat Want kansverdeling stoortermen niet onafhankelijk 5 maart 2009

Beperkingen logitmodel (3) Rode/Blauwe bussen probleem 1e situatie: Vervoerwijze verdeling auto/bus 50%/50% Dan geldt dus Vauto = Vbus want: 2e situatie: Helft bussen rood, andere helft blauw schilderen. Dit verandert de utiliteit van de bus niet. Dus Vauto = V bus = Vrode bus = Vblauwe bus Nu keuze uit 3 alternatieven: Fout want kansverdeling stoortermen niet onafhankelijk 5 maart 2009

Aanpak beperkingen logitmodel Probit model Logit model Kansfunctie? Normale Verdeling Gumbel Varianties? Verschillend Identiek Onderling afhankelijk? Ja Nee Een belangrijke beperking van het Logitmodel is dat er geen afhankelijkheid mag zijn tussen de stoortermen van de alternatieven. Als er wel afhankelijkheid is dan is een goede methode: Hierarchische Logit (ook wel Nested Logit genoemd) 5 maart 2009

Hierarchisch of Nested Logit Model Alle verplaatsingen Auto Openbaar Vervoer Trein Bus 5 maart 2009

Hiërarchisch of Nested Logit Model Alle verplaatsingen  x ’logsom’ Vauto Vtrein Vbus 0 <  < 1 Als =1 dan nested logit wordt gewone (niet nested) logit 5 maart 2009

Voorbeeld berekening Nested Logit 5 maart 2009

Samenvatting Keuze is een centraal thema in de verkeerskunde Het logitmodel is een zeer geschikt instrument voor het analyseren van keuzes Gebaseerd op toekenning van utiliteiten aan de diverse keuze-alternatieven Utiliteiten zijn een functie van de kenmerken van alternatieven (en van kenmerken van personen) Omdat we niet alle kenmerken weten, voegen we een stochastische component toe aan de utiliteit. Dit heet een stoorterm. De keuzeverdeling wordt gegeven in termen van kansen, die later over een gebied of bevolkingsgroep worden geaggregeerd Het logitmodel kent beperkingen. Correlaties in stoortermen kunnen worden ontvangen door toepassing van een nested logitmodel. 5 maart 2009