NestedLogit.aplicar_intervención

NestedLogit.apply_intervention(new_choice_df, new_utility_equations=None, fit_kwargs=None)

Aplique uno de los dos tipos de intervención.

Este método admite dos estrategias de intervención:

1. Observable attribute changes: Uses the existing fitted model and modifies observable inputs (e.g., prices, features) to simulate how market shares change. This method uses posterior predictive sampling.

2. Product removal: Allows a product to be entirely removed from the choice set and simulates how demand redistributes among the remaining alternatives. This re-specifies and re-estimates the model before posterior prediction.

Parámetros:

new_choice_dfpd.DataFrame

El nuevo conjunto de datos que refleja cambios en los atributos observables o la disponibilidad del producto.

nuevas_ecuaciones_utilitarias : list[str] | None, opcionalpython:list[python:str] | python:Ninguno, opcional

Una lista actualizada de especificaciones de utilidad para cada alternativa, si es diferente del modelo original. Si es None, se reutilizan las ecuaciones originales y solo se cambian los datos.

fit_kwargsdict | None, optional

Keyword arguments for sampling if refitting the model. Default uses high target_accept and extended tuning.

Devoluciones:

az.InferenceData

La distribución predictiva posterior o completa bajo la intervención, incluyendo las probabilidades predichas ("p") y las muestras de verosimilitud ("likelihood").