Lernressourcen
Tutorials
Videos
4847
There is no translation available.

Discrete Choice Analysis Tools

Die Discrete Choice Analysis Tools sind ein anpassungsfähiges, effizientes und benutzerfreundliches GAUSS-Modul zur Klassifikation von linearen Daten. Die zur Verfügung stehenden Werkzeuge sind darauf ausgelegt, individuelle Modelle mit anpassbaren Parametergrenzen, linearen und nicht-linearen Nebenbedingungen sowie standardisierten und benutzerdefinierten Startwerten zu spezifizieren. Des Weiteren sind benutzerdefinierte Gradient- und Hesse-Prozeduren möglich. Mit Hilfe von Daten- und Parameter-Eingabeprozeduren ist das Setup der Modelle und die Implementation intuitiv gestaltet.

Die Discrete Choice Analysis Tools eignen sich vor allem für Ökonometriker und Mikro-Ökonomen, Forscher im Bereich der politischen Entscheidung, Analysten für Umfragedaten, Soziologen, Epidemiologen sowie Versicherungs-, Sicherheits- und Unfallanalysten.

Mit Version 2 sind folgende Neuerungen hinzugekommen.

  • Noch schnellere und effizientere Handhabung von großen Datensätzen
  • Umfangreichere Datenklassifikation
  • Publikationsreife Formatierung von Ergebnistabellen mit optionalem Export
  • Einfache Dateneingabe, Parameterkontrolle und Schätzung durch neue Implementierung
  • Neue Modellierung mit logistischer Regression für umfangreiche Klassifikationen mit L2/L1-regularisierten Klassifikatoren und L2/L1-Loss-Linear SVM mit Kreuzvalidierung und Prognosen

Supported Models

Supported Models: Encompasses a large variety of linear classification models

  • Large Scale Data Classification:
    Performs large-scale binary linear classification using support vector machines [SVM] or logistic regression [LR] methodology. Available options include cross-validation of model parameters and prediction plotting. Easy to access output includes estimated prediction weights, predicted classifications and cross-validation accuracy.
  • Adjacent Categories Multinomial Logit Model: 
    The log-odds of one category versus the next higher category is linear in the cutpoints and explanatory variables.
  • Binary Logit and Probit Regression Models:
    Estimates dichotomous dependent variable with either Normal or extreme value distributions.
  • Conditional Logit Models: 
    Includes both variables that are attributes of the responses as well as, optionally, exogenous variables that are properties of cases.
  • Multinomial Logit Model: 
    Qualitative responses are each modeled with a separate set of regression coefficients.
  • Negative Binomial Regression Model (left or right truncated, left or right censored, or zero-inflated): 
    Estimates model with negative binomial distributed dependent variable. This includes censored models - the dependent variable is not observed but independent variables are available - and truncated models where not even the independent variables are observed. Also, a zero-inflated negative binomial model can be estimated where the probability of the zero category is a mixture of a negative binomial consistent probability and an excess probability. The mixture coefficient can be a function of independent variables.
  • Nested Logit Regression Model: 
    Derived from the assumption that residuals have a generalized extreme value distribution and allows for a general pattern of dependence among the responses thus avoiding the IIA problem, i.e., the "independence of irrelevant alternatives."
  • Ordered Logit and Probit Regression Models: 
    Estimates model with an ordered qualitative dependent variable with Normal or extreme value distributions.
  • Possion Regression Model (left or right truncated, left or right censored, or zero-inflated): 
    Estimates model with Poisson distributed dependent variable. This includes censored models - the dependent variable is not observed but independent variables are available - and truncated models where not even the independent variables are observed. Also, a zero-inflated Poisson model can be estimated where the probability of the zero category is a mixture of a Poisson consistent probability and an excess probability. The mixture coefficient can be a function of independent variables.
  • Stereotype Multinomial Logit Model: 
    The coefficients of the regression in each category are linear functions of a reference regression.