Semana 4 - Partición Modal

Universidad Católica del Maule
Facultad de Ciencias de la Ingeniería

Segundo Semestre - 2021
Partición modal de
viajes
MODELO LOGIT MULTINOMIAL
1
Universidad Católica del Maule Semana 4 – Partición modal de viajes
Modelos de 4 etapas
Generación /
Distribución Partición modal Asignación
atracción
Viajes producidos y recibidos x zona Viajes entre zonas Viajes entre zonas x modo Viajes entre zonas x modo y ruta
Partición modal es tal vez la etapa más estudiada. Modelos pueden ser muy precisos pero complejos
2
Matrices OD - representación
Recordemos cómo se representan las matrices OD de viajes
destinos
A B
A 4 1 5
orígenes
B 2 1 3
6 2
Hay 4 viajes dentro de la zona A. ¿En qué modos se realizan?
3
Elección de modo – factores relevantes

Supongamos que existen 4 alternativas para viajar dentro de A: auto, caminata, bicicleta y bus. ¿de qué
variables depende el uso de cada una?
Ingreso
Muchos factores (características de modos de transporte y de usuarios) pueden ser relevantes, pero costo
y tiempo de viaje están en todos los modelos
4
Elección de modo – tipos de modelo

¿Cómo modelar la elección de modo entre dos zonas?
¿Regresión lineal? Simple pero muy impreciso
5
Elección de modo – tipos de modelo
partición modal
100
Regresión lineal
90
80
70
60 Regresión logística (“Logit binomial”)
50
40
30
20
10
0
-8 -6 -4 -2 0 2 4 6 8
6
Elección de modo – teoría de utilidad aleatoria

Modelos de regresión logística se utilizan en distintos campos (medicina, biología, marketing) para evaluar
probabilidades de sucesos en dos categorías (ej. Vida/muerte) o varias (ej. Compra de tipos de vehículo).
En este caso, la elección de modo depende de características propias de cada individuo (por ejemplo, no
todos tienen auto, y el tiempo de caminata varía para cada persona).
Teoría de la utilidad aleatoria (McFadden, 1972) permite darle un marco teórico a los modelos de
regresión logística aplicados a elecciones individuales.
7
Existen 5 supuestos básicos sobre el comportamiento de los individuos (n):
- Poseen información perfecta
- Son racionales
- Poseen un conjunto An de alternativas (modos)
- Actúan en forma determinística (consistente)
- Maximizan su utilidad Uin según las alternativas disponibles
8

Información perfecta no siempre se cumple:
- ¿cuándo pasa la micro?
- ¿habrá un accidente en el camino?
- ¿va a llover?
Racionalidad tampoco:
“efecto decoy”
“independencia de
alternativas irrelevantes”
9

Utilidad es un concepto económico asociado a la teoría del consumidor, que mide la “felicidad” asociada a
tomar una decisión individual.
La demanda por transporte es derivada de otras actividades. Es decir, la utilidad propia del viaje es
negativa (pero se compensa con la actividad que se hace en el destino)
El individuo maximiza su utilidad dentro del conjunto de alternativas disponibles, pero….
El modelador (nosotros) observa la elección de los individuos, y solo posee parte de la información.
En otras palabras, todo modelo tiene error. ¿Cómo se representa esto?
10

Puede descomponerse la utilidad (Uin) en dos partes:
Utilidad sistemática (Vin) que es función de las variables observables
Utilidad aleatoria (εin) para capturar factores no observables por el modelador. Se asume una
distribución de probabilidad para modelar esta “componente de error”
La distribución “intuitiva” para (εin) es la normal, pero la forma matemática del modelo (Probit)
es compleja.
Si se asume una distribución Gumbel para la utilidad aleatoria y se considera que no hay
correlación entre alternativas, el modelo resultante es Logit multinomial.
11
Elección de modo – modelo Logit multinomial

La probabilidad de que un individuo “n” escoja el modo “i” es:
En esta expresión, µ (>0) es un factor de escala. ¿qué pasa para valores extremos?
12

La parte sistemática (observada) de la función de utilidad se expresa como:
(utilidad sistemática de un individuo “n” para

una alternativa “i”)
Variables (dependen
Constante modal (específica x modo) Coeficientes (“no del modo y del
varían x modo”) individuo)
Ejemplo…
13
µ y los coeficientes no pueden estimarse por separado. Aquí asumiremos µ = 1.
𝑒𝑥𝑝(𝑎) exp(𝑎 + 𝑐) Las probabilidades dependen de la diferencia de

=
exp 𝑎 + exp(𝑏) exp 𝑎 + 𝑐 + exp(𝑏 + 𝑐) utilidades entre alternativas
No pueden estimarse todas las constantes modales. Una de ellas es fija (habitualmente 0)
14
Ejemplo – modelo Logit binomial (2 alternativas)

ex p( 𝑉𝑖𝑛 )
𝑃𝑖𝑛 =
exp 𝑉𝑖𝑛 + ex p( 𝑉𝑗𝑛 ൯
Sea α = -0.1, β = -0.002 y ASCtaxi = 2.

¿Cuál es la probabilidad de elegir bus?
Experimento: elección de modo en clases

(“preferencias declaradas”) -> micro vs auto
¿Cuánto vale ASCauto? ¿Por qué ASCauto es
positivo/negativo?
+ ASCtaxi
15
Valor subjetivo del tiempo (VST)

¿Cuánto estarían dispuestos a pagar por ahorrarse una hora de viaje al día?
VST en la teoría:
𝝏𝑽/𝝏𝒕
En un modelo, VST=
𝝏𝑽/𝝏𝒄
α
¿Cuánto es el VST de viajar en auto si Vauto = ASC + α . Tvauto + β . Cauto ? -> VST= β
VST en la práctica:
Primera aproximación (Becker, 1965): VST = salario (medido en $/h)
Actualmente, se consideran distintos VST para las etapas de viaje (VSTacceso y VSTespera > VSTviaje)
¿Qué consecuencias tiene esto para la modelación?
16
Estimación – modelo Logit multinomial

Los modelos Logit multinomial suelen
estimarse por maximización de Log-
verosimilitud (i* es la alternativa elegida
por cada individuo)
La estimación requiere de un proceso iterativo relativamente complejo, se utilizan software para hacerla.
La próxima clase aprenderemos a hacerlo (Biogeme)
17
Agregación de datos – modelo Logit multinomial

Hasta ahora, sabemos como modelar las probabilidades individuales asociadas a la elección de modo
Sin embargo, nos interesa conocer el total de viajes por modo para cada zona, lo que requiere conocer
las probabilidades para el conjunto de los habitantes.
Hay 3 métodos para estimar esta probabilidad agregada según las probabilidades individuales
(“enfoques de agregación”)
- Enfoque inocente
- Método de clasificación
- Enumeración muestral
18
Agregación de datos – enfoque inocente

Enfoque inocente es el más sencillo, pero también el menos preciso
Se calcula el promedio poblacional de las

variables Xin, y se aplica el modelo para
dichos valores.
La estimación es sesgada, sobre

todo cuando las utilidades son muy
diversas:
19
Agregación de datos – método de clasificación

Método de clasificación requiere más cálculos pero es más preciso.
Se divide a la población en clases (por ejemplo, franjas de ingreso), para cada clase se calcula el
promedio de las variables explicativas Xin y se aplica el modelo, obteniéndose las probabilidades
por modo.
Para obtener el promedio poblacional, se calcula el promedio de las probabilidades de cada clase,
ponderado por el tamaño de cada clase.
(ejemplo con dos clases: mujeres y hombres -> probabilidad de viajar en bus)
𝑃𝑏𝑢𝑠 = 𝑃𝑚𝑢𝑗𝑒𝑟 ∗ 𝑃𝑏𝑢𝑠,𝑚𝑢𝑗𝑒𝑟 + 𝑃ℎ𝑜𝑚𝑏𝑟𝑒 ∗ 𝑃𝑏𝑢𝑠,ℎ𝑜𝑚𝑏𝑟𝑒
20
Agregación de datos – enumeración muestral

Enumeración muestral es más complejo, pero más preciso.
Puede interpretarse como un método de clasificación en donde cada individuo conforma una
clase separada
Para obtener el promedio poblacional, se calcula el promedio de las probabilidades asociadas a cada
individuo.
21
¿Qué aprendimos esta semana?

Una breve autoevaluación:
https://forms.gle/s4zYvVempmz3XtZw5
22
ex p( 𝑉𝑖 )
𝑃𝑖𝑛 =
Modelos Logit – ejercicio 1 exp 𝑉𝑖 + ex p( 𝑉𝑗 ൯ + exp(𝑉𝑘 )
Interesa estudiar la factibilidad económica de construir un tren rápido entre Santiago y Valparaíso
Actualmente se efectúan 10.000 viajes diarios, ya sea en bus (a un costo de $2.500 por viaje y un tiempo de dos horas) o en
auto (con un costo de $4.000 por concepto de peaje, $4.000 por consumo de combustible y un tiempo de viaje de una hora y
20 minutos).
Se tomó una muestra de 900 viajeros y se logró estimar el siguiente modelo Logit binario:
Va =-0,05×ta -0,0002×Ca+0,207 ; Vb = -0,05×tb -0,0002×Cb , donde los tiempos t se miden en min y los costos C en $.
A Ud. le garantizan que el tren rápido captaría 30% de los viajes totales, si operara con una tarifa de $4.000 por viaje y se
demorara 50 min entre Santiago y Valparaíso.
1) Suponiendo que la utilidad representativa del tren se modela en forma similar a la de los otros modos, es decir
Vt =-0,05×tt -0,0002×Ct+ASCt obtenga la constante ASCt asociada al tren (considere µ=1)
2) Considerando el modelo anterior, estime la recaudación diaria que obtendría el tren rápido, si el bus disminuyera su
tiempo de viaje a 105 minutos, el peaje subiera a $4.500, y la tarifa del tren rápido subiera a $5.000 por viaje.
23
Agregación de datos – ejercicio 2 (Ortúzar y Willumsen, 2011)
Considere un modelo Logit binario para auto (A) y bus (B), en donde usted conoce las utilidades representativas de
cada individuo para ambos modos.
Suponga que la elección real de cada individuo

corresponde al modo de mayor utilidad representativa.
1) Obtenga las probabilidades de elección para cada

individuo
2) Obtenga las probabilidades de elección agregadas según

los 3 enfoques vistos
3) Compare la probabilidad de elegir auto entre los 3

modelos y la elección real de los individuos. ¿Cuál es el
mejor modelo?
24

Semana 4 - Partición Modal

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Semana 4 - Partición Modal

Cargado por

Copyright:

Formatos disponibles

Universidad Católica del Maule

Facultad de Ciencias de la Ingeniería

Hay 4 viajes dentro de la zona A. ¿En qué modos se realizan?

Elección de modo – factores relevantes

Elección de modo – tipos de modelo

¿Regresión lineal? Simple pero muy impreciso

Elección de modo – tipos de modelo

Elección de modo – teoría de utilidad aleatoria

Elección de modo – teoría de utilidad aleatoria

Existen 5 supuestos básicos sobre el comportamiento de los individuos (n):

- Poseen información perfecta

- Poseen un conjunto An de alternativas (modos)

- Actúan en forma determinística (consistente)

- Maximizan su utilidad Uin según las alternativas disponibles

Elección de modo – teoría de utilidad aleatoria

Elección de modo – teoría de utilidad aleatoria

El individuo maximiza su utilidad dentro del conjunto de alternativas disponibles, pero….

En otras palabras, todo modelo tiene error. ¿Cómo se representa esto?

Elección de modo – teoría de utilidad aleatoria

Utilidad sistemática (Vin) que es función de las variables observables

Elección de modo – modelo Logit multinomial

Elección de modo – modelo Logit multinomial

(utilidad sistemática de un individuo “n” para

Elección de modo – modelo Logit multinomial

µ y los coeficientes no pueden estimarse por separado. Aquí asumiremos µ = 1.

𝑒𝑥𝑝(𝑎) exp(𝑎 + 𝑐) Las probabilidades dependen de la diferencia de

Ejemplo – modelo Logit binomial (2 alternativas)

Sea α = -0.1, β = -0.002 y ASCtaxi = 2.

Experimento: elección de modo en clases

Valor subjetivo del tiempo (VST)

Primera aproximación (Becker, 1965): VST = salario (medido en $/h)

¿Qué consecuencias tiene esto para la modelación?

Estimación – modelo Logit multinomial

Agregación de datos – modelo Logit multinomial

Agregación de datos – enfoque inocente

Se calcula el promedio poblacional de las

La estimación es sesgada, sobre

Agregación de datos – método de clasificación

𝑃𝑏𝑢𝑠 = 𝑃𝑚𝑢𝑗𝑒𝑟 ∗ 𝑃𝑏𝑢𝑠,𝑚𝑢𝑗𝑒𝑟 + 𝑃ℎ𝑜𝑚𝑏𝑟𝑒 ∗ 𝑃𝑏𝑢𝑠,ℎ𝑜𝑚𝑏𝑟𝑒

Agregación de datos – enumeración muestral

¿Qué aprendimos esta semana?

Agregación de datos – ejercicio 2 (Ortúzar y Willumsen, 2011)

Suponga que la elección real de cada individuo

1) Obtenga las probabilidades de elección para cada

2) Obtenga las probabilidades de elección agregadas según

3) Compare la probabilidad de elegir auto entre los 3

También podría gustarte