Métodos de Elección Discreta con Simulación

✍ Scribed by Kenneth E. Train

• Year: 2014
• Tongue: Spanish
• Leaves: 333
• Edition: 2
• Category: Library

✦ Table of Contents

1. Introducción
   1.1 Motivación
   1.2 Probabilidades de elección e integración
   1.2.1 Cálculo basado completamente en una expresión cerrada
   1.2.2 Cálculo basado completamente en la simulación
   1.2.3 Cálculo basado parcialmente en la simulación, parcialmente en una expresión cerrada
   1.3 Esquema del libro
   1.4 Un par de notas

2. Propiedades de los modelos de elección discreta
   2
   2.1 Resumen
   2.2 El conjunto de elección
   2.3 Obtención de las probabilidades de elección
   2.4 Modelos específicos
   2.5 Identificación de modelos de elección
   2.5.2 La escala general de la utilidad es irrelevante
   Normalización con errores iid
   Normalización con errores heterocedásticos
   Normalización con errores correlacionados
   2.6 Agregación
   2.6.1 Enumeración de la muestra
   2.6.2 Segmentación
   2.7 Predicción
   2.8 Recalibración de constantes

3. Logit
   3.1 Probabilidades de elección
   3.2 El parámetro de escala
   3.3 Potencia y limitaciones de logit
   3.3.1 Variación de preferencias
   3.3.2 Patrones de sustitución
   3.3.3 Datos de panel
   3.4 Utilidad representativa no lineal
   3.5 Excedente del consumidor
   3.6 Derivadas y elasticidades
   3.7 Estimación
   3.7.1 Muestra exógena
   Estimación en un subconjunto de alternativas
   3.7.2 Muestras basadas en la elección
   3.8 Bondad de ajuste y pruebas de hipótesis
   3.8.1 Bondad de ajuste
   3.8.2 Test de hipótesis
   Hipótesis nula I: Los coeficientes de varias variables explicativas son cero
   Hipótesis nula II: Los coeficientes de las dos primeras variables don las mismas
   3.9 Estudio de un caso: predicción para un nuevo sistema de tráfico
   3.10 Obtención de las probabilidades logit

4. GEV
   4.1 Introducción
   4.2 Logit jerárquico
   4.2.1 Patrones de sustitución
   4.2.2 Probabilidades de elección
   4.2.3 La descomposición en dos logits
   4.2.4 Estimación
   4.2.5 Equivalencia de las fórmulas del logit jerárquico
   4.3 Logit jerárquico de tres niveles
   4.4 Solapamiento de nidos
   4.4.1 Logit combinacional emparejado (PCL)
   4.4.2 Logit jerárquico generalizado (GNL)
   4.5 Logit heterocedástico
   4.6 La familia GEV
   Logit

5. Probit
   5.1 Probabilidades de elección
   5.2 Identificación
   5.3 Variaciones de preferencia
   5.4 Patrones de sustitución y fallo de la IIA
   Covarianza Completa: patrones de sustitución no restringidos
   Covarianza estructurada: patrones de sustitución restringidos
   5.5 Datos de panel
   5.6 Simulación de las probabilidades de elección
   5.6.1 Simulador por aceptación-rechazo
   5.6.2 Simuladores AR suavizados
   5.6.3 Simulador GHK

6. Logit mixto
   6.1 Probabilidades de elección
   6.2 Coeficientes Aleatorios
   6.3 Componentes de error
   6.4 Patrones de sustitución
   6.5 Aproximación de cualquier modelo de utilidad aleatoria
   6.6 Simulación
   6.7 Datos de panel
   6.8 Estudio de un caso

7. Variaciones sobre un mismo tema
   7.1 Introducción
   7.2 Datos de preferencia declarada y de preferencia revelada
   7.3 Datos de ordenación
   7.3.1 Logit estándar y mixto
   7.3.2 Probit
   7.4 Escalas de respuesta ordenadas
   7.4.1 Escalas de respuesta ordenadas múltiples
   7.5 Valoración contingente
   7.6 Modelos mixtos
   7.6.1 Logit jerárquico mixto
   7.6.2 Probit mixto
   7.7 Optimización dinámica
   7.7.1 Dos períodos, sin incertidumbre sobre efectos futuros
   7.7.2 Múltiples períodos
   7.7.3 Incertidumbre sobre efectos futuros

8. Maximización numérica
   8.1 Motivación
   8.2 Notación
   8.3 Algoritmos
   8.3.1 Newton-Raphson
   8.3.2 BHHH
   8.3.3 BHHH-2
   8.3.4 Ascenso más rápido (steepest ascent)
   8.3.5 DFP y BFGS
   8.4 Criterio de Convergencia
   8.5 Máximo local y máximo global
   8.6 Varianza de las estimaciones
   8.7 Identidad de información

9. Extrayendo valores de densidades
   9.1 Introducción
   9.2 Extracción de valores aleatorios
   9.2.1 Distribuciones normales y uniformes estándar
   9.2.2 Transformaciones de la normal estándar
   9.2.3 Densidades acumulativas inversas para densidades univariadas
   9.2.4 Densidades univariadas truncadas
   9.2.5 Transformación Choleski de normales multivariadas
   9.2.6 Aceptación-rechazo para densidades multivariadas truncadas
   9.2.7 Muestreo por importancia
   9.2.8 Muestreo de Gibbs (Gibbs Sampling)
   9.2.9 Algoritmo Metropolis-Hastings
   9.3 Reducción de la varianza
   9.3.1 Antitéticos (antithetics)
   9.3.2 Muestreo sistemático
   9.3.3 Secuencias de Halton
   9.3.4 Secuencias de Halton aleatorizadas
   9.3.5 Secuencias de Halton mezcladas
   9.3.6 Otros procedimientos

10. Estimación asistida por simulación
    10.1 Motivación
    10.2 Definición de estimadores
    10.2.1 Máxima Verosimilitud Simulada (maximum simulated likelihood, MSL)
    10.2.2 Método de momentos simulados (method of simulated moments, MSM)
    10.2.3 Método de puntuaciones simuladas (method of simulated scores, MSS)
    10.3 El teorema del límite central
    10.4 Propiedades de los estimadores tradicionales
    10.5 Propiedades de los estimadores basados en simulación
    10.5.1 Máxima verosimilitud simulada (maximum simulated likelihood, MSL)
    10.5.2 Método de momentos simulados (method of simulated moments, MSM)
    10.5.3 Método de puntuaciones simuladas (method of simulated scores, MSS)
    10.6 Solución numérica

11. Parámetros a nivel individual
    11.1 Introducción
    11.2 Derivación de la distribución condicionada
    11.3 Implicaciones de la estimación de ??
    11.4 Ilustración de Monte Carlo
    11.5 Distribución condicionada promedio
    11.6 Caso de estudio: elección de proveedor de energía
    11.6.1 Distribución en la población
    11.6.2 Distribuciones condicionadas
    11.6.3 Probabilidad condicionada para la última elección
    11.7 Exposición

12. Procedimientos bayesianos
    12.1 Introducción
    12.2 Introducción a los conceptos bayesianos
    12.2.1 Propiedades bayesianas de ,??.
    12.2.2 Propiedades clásicas de ,??.: El teorema de Bernstein-von Mises
    12.3 Simulación de la media posterior
    12.4 Extracción de valores al azar de la distribución posterior
    12.5 Distribuciones posteriores de la media y la varianza de una distribución normal
    12.5.1 Resultado A: Media desconocida, varianza conocida
    12.5.2 Resultado B: Varianza desconocida, media conocida
    12.5.3 Media y varianza desconocidas
    12.6 Procedimiento bayesiano jerárquico para logit mixto
    12.6.1 Reformulación resumida
    12.7 Caso de estudio: elección del proveedor de energía
    12.7.1 Coeficientes normales independientes
    12.7.2 Coeficientes normales multivariados
    12.7.3 Coeficientes fijos para algunas variables
    12.7.4 Log-normales
    12.7.5 Triangulares
    12.7.6 Resumen de los resultados
    12.8 Procedimientos bayesianos para modelos probit

13. Endogeneidad
    13.1 Descripción general
    13.2 El Enfoque BLP
    13.2.1 Especificación
    13.2.2 La contracción
    13.2.3 Estimación por máxima verosimilitud simulada y variables instrumentales
    13.2.4 Estimación por GMM
    13.3 Lado de la oferta
    13.3.1 Costo Marginal
    13.3.2 Precios MC
    MSL e IV, con precios MC
    GMM con precios MC
    13.3.3 Margen fijo sobre el costo marginal
    13.3.4 Precios de monopolio y equilibrio de Nash para empresas con un solo producto
    13.3.5 Precios de monopolio y equilibrio de Nash para empresas multiproducto
    13.4 Funciones de control
    13.4.1 Relación con el comportamiento de los precios
    13.5 Enfoque de máxima verosimilitud
    13.6 Caso de estudio: elección de consumidores entre vehículos nuevos

14. Algoritmos EM
    14.1 Introducción
    14.2 Procedimiento general
    14.2.1 ¿Por qué el algoritmo EM funciona?
    14.2.2 Convergencia
    14.2.3 Errores Estándar
    14.3 Ejemplos de algoritmos EM
    14.3.1 Distribución de mezcla discreta con puntos fijos
    14.3.2 Distribución de mezcla discreta con puntos como parámetros