WTP calculation accuracy using stated preference survey data: Comparison between logistic regression and neural network methods
Bı̇ldı̇rı̇mlı̇ tercı̇h araştırması verı̇lerı̇nde WTP hesaplama doğruluğu: Lojı̇stı̇k regresyon ve yapay sı̇nı̇r ağ yöntemlerı̇ karşılaştırılması
- Tez No: 634734
- Danışmanlar: DR. ÖĞR. ÜYESİ CHRISTOPHER HANNUM
- Tez Türü: Yüksek Lisans
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: İktisat Bilim Dalı
- Sayfa Sayısı: 71
Özet
Piyasa dışı değerlemeler olarak da adlandırılan çevresel doğal alanların (park, sahil, dağ vb.) değerlendirilmesi, çevre ekonomisi çalışmalarında yaygın olarak kullanılmaktadır. Anket çalışmaları, bu tür sahalara olan talebi anlamak için vatandaşların doğal alanlara olan maksimum ödeme isteğini (WTP) değerlendirmek amacıyla kullanılmaktadır. WTP hesaplamaları doğal alan değişikliklerine karar vermek için kullanılır, bu nedenle doğal alan değişiklik kararlarında doğru bir WTP hesaplaması çok önemlidir. Doğal çevresel alan değerlendirme anketleri içinde en yaygın olan tür, katılımcılara iki veya daha fazla farklı özelliklere sahip doğa alanları alternatifleri verilip, katılımcıların bu alternatifler içinden bir seçim yapması istenen anketlerdir. Bu anket türleri bildirimli tercih olarak adlandırılmaktadır. İkili seçim veri kümelerinde lojistik regresyon kullanılır, çünkü doğrusal modeller ikili çıktılarla çalışmamaktadır. Bu nedenle, bildirimli tercih anketlerinin değerlendirilmesinde en yaygın olarak kullanılan modelleme lojistik regresyondur. Yapay sinir ağları ise lojistik regresyon modellerinin geliştirilmiş halidir. Yapay sinir ağları birden fazla lojistik regresyonun öğrenme süreciyle bir araya gelmesiyle oluşmaktadır. Bu nedenle, daha doğru bir WTP hesaplaması için basit bir lojistik regresyon yerine lojistik regresyonun geliştirilmiş hali olan yapay sinir ağları kullanılabilmektedir. Bu araştırma ile, yapay sinir ağlarının geleneksel lojistik regresyon üzerindeki üstünlüğünü iki farklı bildirimli tercih araştırma datası üzerinde WTP hesap doğruluğu açısından test ettik. WTP hesaplama doğruluklarını karşılaştırmak için, iki yöntemin de model dışı tahmin doğruluklarını hesapladık ve değişkenlerin iki yöntemdeki marjinal etkilerini ve katsayılarını karşılaştırdık. Değişkenlerin marjinal etkileri, bu değişkenlerin bir alternatif seçme olasılığı üzerindeki etkisini vermektedir, bu nedenle WTP hesaplamasına katılacak olan değişkenler marjinal etkilere bakılarak kararlaştırılmaktadır. Öte yandan, değişken katsayıları ise WTP hesaplamalarında direkt olarak yer almaktadır, çünkü bu katsayılar o değişkenin alternatif seçimi üzerindeki gücünü temsil etmektedirler. Kullandığımız iki bildirimli tercih araştırması anket verisinden ilki Neher et. al (2019)'a aittir. Bu data, rafting sporcularının nehir alternatifleri seçimlerinden oluşmaktadır. Sporculara farklı seviyelerde niteliklere sahip iki varsayımsal nehir alternatifi verilmiştir ve sporculardan bu iki alternatiften birini veya hiçbirini seçme seçenekleri sunulmuştur. Çalışmamızda hiçbir seçeneği seçmeme alternatifi için tüm nehir özellikleri sıfır olarak atanmıştır. Bu veri setinde yalnızca nehir özellikleri yer aldığından, koşullu lojistik regresyon uyguladık. Hem koşullu lojistik regresyon hem de sinir ağı yöntemleri, normalleştirilmiş veri kümesinin içinden rastgele seçilen %80 veri seti üzerine uygulanır, bu da“öğrenme”verileri anlamına gelir ve tahmin doğruluğu uygulanan modelin geriye kalan %20'lik veri üzerinde test edilmesiyle hesaplanır. Çalışmamızda bu hesaplamayı 30 rastgele seçilmiş veri üzerinde gerçekleştirdik. Sonuç olarak, yapay sinir ağı modeli, örnek dışı tahmin doğruluğu açısından geleneksel lojistik regresyondan daha iyi performans gösteremedi. Geleneksel lojistik regresyon yaklaşık %1 daha yüksek tahmin doğruluğu verdi. Bunun nedeni, veri kümesinin lojistik regresyon varsayımlarının tüm koşullarını mükemmel bir şekilde karşılaması olarak açıklanabilir. Ayrıca, veri kümesinde sıfır özellik değerlerine sahip olan iki seçeneğin de seçilmemesi alternatifinin yer alması nedeniyle de olabilir. Araştırmada kullandığımız diğer data seti Morey et al. (2002) makalesine aittir. Bisiklet sporcularına iki varsayımsal bisiklet alanı alternatifi verilip katılımcılardan alternatiflerden birini seçmeleri beklenmektedir. Morey et al. (2002), WTP'yi, bisiklet sahasındaki bir değişiklikten sonra birinci ve ikinci durumdaki maksimum faydaların aynı olacağı şekilde bütçeye eklenmesi veya çıkarılması gereken para miktarı ile bulunan telafi edici varyasyonu hesaplayarak bulmaktadır. Bu veri setinde iki seçenek bulunduğundan ve hem katılımcıların bireysel özellikleri hem de alternatiflerin nitelikleri birlikte yer aldığından, basit lojistik regresyon kullanılmıştır. Neher et. al (2019) data seti üzerinde gerçekleştirilen tahmin doğruluğu hesaplama yönteminin aynısı bu data üzerinde de 10 kez uygulanmıştır. Sonuçlar, yapay sinir ağı modelinde örnek dışı tahmin doğruluğunun geleneksel lojistik regresyondan yaklaşık %2.3 daha yüksek olduğunu göstermiştir. Yapay sinir ağı modeli bu veri seti üzerinde daha yüksek doğruluk ölçümü verdiğinden, her iki yöntemin katsayılarını ve marjinal etkilerini hesapladık ve karşılaştırdık. Sonuçlar 11 farklı değişken içinden 8'inin marjinal etkilerinin %1 düzeyinde istatistiksel olarak önemli ölçüde farklı olduğunu göstermiştir. Katsayılar açısından ise aynı güven düzeyinde 5 adet değişkenin farklı sonuç verdiğini gözlemledik. Bu, çok sayıda değişken için, katsayıların ve iki yöntemin ortalama marjinal etkilerinin birbirinden önemli ölçüde farklı olduğunu göstermektedir. Sonuç olarak bu çalışmada, yapay sinir ağlarının daha doğru WTP hesaplaması verdiğine dair kanıt bulduk ve iki yöntem çok sayıda eş değişken için farklı katsayı ve ortalama marjinal etki verdiğinden, doğal alanlarda yapılacak olan değişiklik kararlarının yapay sinir ağı ve lojistik regresyon yöntemleri ile farklı olacağını tespit ettik.
Özet (Çeviri)
Valuing environmental recreational sites, which is also referred as non-market valuations, is widely used in environmental economics studies. Survey datasets are used to assess the price value of the site to an individual, which is referred as maximum willingness to pay (WTP), in order to understand demand for the sites. WTP calculations are used to decide on recreational site alterations, therefore an accurate WTP calculation is very important on the decision. The most common type for recreational site surveys is stated preference, where respondents are given two or more alternatives to choose one option out of them. Logistic regression is used in binary choice datasets because linear models don't work with binary outputs. Thus, traditional logit models are used most commonly with random utility models for stated preference discrete choice datasets. Neural networks on the other hand are improved logistic regression models, they are combination of logistic regressions with a learning process. Therefore, in order to calculate more accurate willingness to pay estimates, neural network models which are improved logistic regressions, could be used instead of simple traditional logit models. With this research, we wanted to test the superiority of neural networks on traditional logit in terms of willingness to pay estimation accuracy. In order to compare WTP calculation accuracies, we calculated out-of-sample prediction accuracies of the two methods and compared marginal effects and coefficients of covariates. Marginal effects of covariates would acquire us the effect of covariates on the probability of choosing one alternative, therefore they indicate the variable importance on WTP calculations. Coefficients on the other hand are used in WTP calculations because they represent the strength of particular covariate on the site choice. We examined two different articles that use stated preference survey datasets which are conducted for assessing the demand for recreational sites. First one is the survey data from Neher et al. (2019) that consists of boaters' choice of river alternatives. Boaters are given two hypothetical river alternatives with different levels of attributes including choosing neither option. For choosing neither alternative option, we assigned attribute levels as zero for all attributes. Since the data consists of only alternative attributes, conditional logistic regression is implemented. Both conditional logit and neural network methods are fitted on the randomly selected 80% of the normalized dataset, which stands for“training”data, and prediction accuracies were tested on the remaining data as test sample for 30 times. As a result, on average neural network model couldn't outperform traditional logit in terms of out-of-sample prediction accuracy. Traditional logit gave approximately 1% higher accuracy measure. Reason behind this might because the dataset perfectly satisfies all conditions of logit assumptions and maybe because of having neither option with zero attribute values in the dataset. Second dataset is from Morey et al. (2002). Bikers are given two hypothetical biking sites and they are expected to choose one site alternative. From this data, Morey et al. (2002) try to assess WTP by calculating compensating variation, which is found by the amount of money that needs to be added or subtracted from the budget so that maximum utilities in the first and latter state would be same after an alteration in the biking site. Since there are only two choices with individual and alternative attributes together, we used simple logistic regression. Same training and test process with the first data is implemented 10 times. Results showed that neural network model's out-of-sample prediction accuracy was approximately 2.3% higher than traditional logit. Because neural network model gave higher accuracy measure on this dataset, we further continued on calculating and comparing coefficients and marginal effects of both methods. Results showed that out of 11 covariates, 8 variables' marginal effects are statistically significantly different at 1% level. In terms of coefficients, 5 variables are different at the same confidence level. This indicates that for high number of covariates, coefficients and average marginal effects of two methods significantly differ from each other. In conclusion, we found evidence that neural network gives more accurate WTP calculation and since for high number of covariates, coefficients and average marginal effects of two methods significantly differ, recreational site change decisions would be different with using neural network and logistic regression methods.
Benzer Tezler
- Application of non-market economic valuation method to value the environmental benefits of geothermal energy in monetary terms: A case study in Yozgat province
Jeotermal enerjinin çevresel faydalarının parasal değerlendirilmesi için piyasa dışı ekonomik değerlendirme yönteminin uygulaması: Yozgat ilinde örnek bir çalışma
EROL HORASANLI
Yüksek Lisans
İngilizce
2010
Çevre MühendisliğiOrta Doğu Teknik ÜniversitesiÇevre Mühendisliği Bölümü
YRD. DOÇ. DR. EMRE ALP
- Evaluating the quality of water and performance of water treatment plants using computer aided techniques and fuzzy-topsis
Su kalitesi ve su arıtma tesislerinin performansının bilgisayar destekli teknikler ve fuzzy-topsıs ile değerlendirilmesi
AYAD KHALAF DHARİ AL-MOHAMMEDI
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Gedik ÜniversitesiMühendislik Yönetimi Ana Bilim Dalı
PROF. DR. GÖZDE ULUTAGAY
- Bir anıt ağacının toplam ekonomik değerinin belirlenmesi- İstanbul örneği
Determination of total economic value of a monumental tree- a case of Istanbul
ŞEYMA YENİ
Yüksek Lisans
Türkçe
2021
Ormancılık ve Orman Mühendisliğiİstanbul Üniversitesi-CerrahpaşaOrman Mühendisliği Ana Bilim Dalı
PROF. DR. SULTAN BEKİROĞLU ÖZTÜRK
- Sağlık hizmetlerinde fayda belirsizliğini gidermenin talep değiştirici rolü: Biorezonans üzerine bir WTP araştırması
The demand shifting role of eliminating benefit uncertainty in health services: A WTP study on bioresonance
MERVE EBRAR ULUĞ
Doktora
Türkçe
2024
Sağlık Kurumları YönetimiSağlık Bilimleri ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN GİRAY ANKARA
- Davranışsal iktisat çerçevesinde sahiplenme etkisinin nesne ile geçirilen süre bağlamında deneysel olarak incelenmesi
An experimental examination of the endowment effect in the context of time spent with an object within the behavioral economics framework
MUHAMMED İKBAL TEPELER