Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Chapitre 2: Modèles à choix discrets multiples

Pr. Mendy

NPTCI Dakar 2023

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 1 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Plan
1 Modèle Logit Multinomial
Du modèle logit binaire au modèle LMN
Interprétation des résultats
Tests sur les paramètres
Modèle Logit Ordinal: Modèles à rapports de chance
proportionnels
Limites du modèle MNL
Solution au rejet de l’hypohèse IIA
2 Modèles alternatifs: Solutions pour IIA
Modèle à choix imbriqués (Nested Logit model)
Probit Multinomial
Modèles Dogit
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 2 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Introduction
Le modèle logit multinomial (LMN) est une extension du modèle logit
binaire à une variable dépendante comportant plusieurs catégories (M)
non ordonnés:
⇡lm = P r (Y = m|x) (1)

Un modèle LMN s’ajuste simultanément à M 1 catégoties de la

variables dépendante.
Lorqu’il est ajusté à une variable dichotomique, le modèle LMN est
identique au modèle logit binaire.
Suivant directement le cas logit binaire LMN, est ajusté en
utilisant le maximum de vraisemblance.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 2 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Du modèle logit binaire au modèle LMN

Logit binaire - LMN

Soit l’équation [1], on choisit une catégorie de référence (disons M) et
on condsidère M 1 de régressions logit dans lesquelles les autres
carégories sont régressées par ropport à la référence:
X J ✓ ◆ ✓ ◆
⇡1mx E(Y = 1|x)
01 + j1 xj = ln = ln (2)
⇡M lx E(Y = M |x)
j=1
J
X ✓ ◆ ✓ ◆
⇡2lx E(Y = 2|x)
02 + j2 xj = ln = ln
⇡M lx E(Y = M |x)
j=1
..
.
(3)
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 3 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Du modèle logit binaire au modèle LMN

J
X ✓ ◆ ✓ ◆
⇡M 1lx E(Y = M 1|x)
0M 1 + jM 1 xj = ln = ln
⇡M lx E(Y = M |x)
j=1

Passer à l’exponentiel des membres de [4]:

0 1
J
X
⇡1lx = ⇡M lx exp @ 02 + j2 xj A
j=1

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 4 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Du modèle logit binaire au modèle LMN

Logit binaire - LMN, suite

Passer à l’exponentiel des membres de [4]:
0 1
J
X
⇡1lx = ⇡M lx exp @ 02 + j2 xj A (4)
j=1
0 1
J
X
⇡mlx = ⇡M lx exp @ 0m + jm xj A (5)
j=1
..
.
0 1
J
X
⇡M 1lx = ⇡M lx exp @ 0M 1 + jM 1 xj A (6)
j=1
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 5 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Du modèle logit binaire au modèle LMN

Logit binaire - LMN, suite

En utilisant le fait que la somme des probabilités est unitaire on obtient;
0 1
M
X1 XJ
1 ⇡M lx = ⇡M lx exp @ 0m + jm xj A (7)
m=1 j=1
0 0 11
M
X1 J
X
1 = ⇡M lx @1 + exp @ 0M 1 + jM 1 xj AA
m=1 j=1
1
PM ⇣ PJ ⌘ = ⇡M lx (8)
1
1+ m=1 exp 0M 1 + j=1 jM 1 xj

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 6 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Du modèle logit binaire au modèle LMN

⇣ PJ ⌘
exp 0m + x
j=1 jm j
⇡mlx = E (Y = m|x) = PM 1 ⇣ P ⌘ (9)
1+ j=1 exp 0m + Jj=1 jm xj

8m = 1, . . . , M 1

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 7 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Du modèle logit binaire au modèle LMN

Logit binaire - LMN, suite

⇣ PJ ⌘
exp 0m + j=1 jm xj
⇡M lx = E (Y = M |x) = 1 PM 1 ⇣ PJ ⌘ 8M
1+ j=1 exp 0m + j=1 jm xj
(10)
Remarque
Il existe un ensemble de paramètres, 0m , 1m , . . . , Jm pour chaque
cétégorie de la variable dépendante hormis la cétégorie de référence.
Bien qu’ on pourrait techniquement adapter une série de modèle
logit binaires distinctes pour estimer les différents coefficients, ces
modèles ne nous donneraient pas une mesure globale de la déviance.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 8 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Interprétation des résultats

Prédicteur linéaire: PL
Le PL des modèles logit est le log des probabilités d’appartenace à
la catégorie m par rapport à la catégorie de référnece M
J
X ⇡mlx
0m + jm xj = ln 8 m = 1, . . . , M 1 (11)
⇡M lx r
j=1

Bien qu’on se refère à une référence, il est possible de calculer le

logarithme des probabilités d’appartenanance dans n’importe
quelle couple de catégories m et m0
J
X
⇡mlx ⇡mlx /⇡M lx
ln = ln =( 0m 0m0 )+ jm jm0 xj
⇡m0 lx ⇡m0 lx /⇡M lx
j=1
(12)
Pr. Mendy
8 m = 1, . . . , M 1
Chapitre 2: Modèles à choix discrets multiples 9 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Interprétation des résultats

Coefficients: cas d’un seul prédicteur

Soit
⇡m|x0 = P r(Y = m|x = x0 )

Si x augmente d’une unité le log des cotes augmente de 1m

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 10 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Interprétation des résultats

Coefficients: cas d’un seul prédicteur

⇡m|x0 +1
ln = 0 + 1m (x0 + 1) = 0 + 1m x0 + 1m (13)
⇡M |x0 +1

Si x augmente d’une unité les odds raio sont multipliés exp( 1m )

⇡m|x0 +1 ⇡m|x0 +1
= exp( 0 + 1m (x0 +1)) exp( 1m ) = exp( 1m )
1 ⇡m|x0 +1 1 ⇡m|x0 +1
(14)
exp( 1m ) est un odd ratio définit par :
⇡m|x0 +1 ⇡m|x0
exp( 1m ) = / (15)
⇡M |x0 +1 ⇡M |x0

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 11 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Interprétation des résultats

Effets Marginaux

Une autre interprétation des paramètres est basée sur les effets
marginaux
Effets marginaux

@P (yi = j|xi )
= Pij (1 Pij ) k (16)
@xik
Elasticité

@ ln P (yi = j|xi )
= xik (1 Pij ) k (17)
@ ln xik

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 12 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Interprétation des résultats

Elasticité

Note : L’élasticité est la même pour tous les choix "j". Un changement
dans le coût du transport aérien par exemple a le même effet sur tous
les autres modes de transport. (Ce résultat est appelé indépendance
vis-à-vis des alternatives non pertinentes (IIA). Ce n’est pas une
propriété réaliste. De nombreuses expériences la rejettent).

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 13 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Interprétation des résultats

Ratio de probabilité

P (yi = j|xi ) exp(xij )

= =
P (yi = j 0 |xi ) exp(xij 0 )
✓ ◆
P (yi = j|xi )
ln = (xij xij 0 ) k =
P (yi = j 0 |xi )
Ne dépend pas des autres alternatives ! Une modification de l’attribut
xjk n’affecte pas le rapport logarithmique entre les choix j et j’. Ce
résultat est appelé indépendance vis-à-vis des alternatives non
pertinentes (IIA).

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 14 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Tests sur les paramètres

Evaluer l’impact de la jeme variable

Le modèle
exp( 0m + 1m x1 . . . , + Jm xJ )
⇡m (x) = P r(Y = m|X = x) = PM 1
1 + m=1 exp( 0m + 1m x1 . . . , + Jm xJ )

Test : H0 : j1 = j2 = ... = jm = ... = jM 1 =0

H1 : Au moins il exsite un m tel que jm 6= 0

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 15 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Tests sur les paramètres

Tests Statistiques
1 Statitique LR
2
LR = 2 [ln LH0 ln LH1 ] ⇠ 1 ↵ (M 1) (18)
H0
2 Statistique de Wald
2 0 13 12 3
j1 j1
W =[ j1 , . . . , jM 1 ] 4V ar @ ... A5 4 ... 5 (19)
j(M 1) j(M 1)
3 Statistique de LM
2 0 13 1
j1
LM = r ln L(X; ) 4V ar @ ... A5 r0 ln L(X; ) (20)
j(M 1)
Pr. Mendy
r gradient de log vraisemblance
Chapitre 2: Modèles à choix discrets multiples 16 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Tests sur les paramètres

Evaluer l’impact d’un groupe de variables

Le modèle
exp( 0m + 1m x1 . . . , + Jm xJ )
⇡m (x) = P r(Y = m|X = x) = PM 1
1 + m=1 exp( 0m + 1m x1 . . . , + Jm xJ )

Test : H0 : (r+1)1 = ... = (r+1)M 1 = ... = J1 = ··· = JM 1 =0

H1 : Au moins il existe un m tel que jm 6= 0

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 17 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Tests sur les paramètres

Tests Statistiques
1 Statitique LR
2
LR = 2 [ln LH0 ln LH1 ] ⇠ 1 ↵ [r(M 1)] (21)
H0
2 Statistique de Wald
2 0 13 12 3
(r+1)1 (r+1)1
W =[ j1 , . . . , jM 1 ] 4V ar @ ... A5 4 ... 5 (22)
J(M 1) J(M 1)
3 Statistique de LM
2 0 13 1
j1
LM = r ln L(X; ) 4V ar @ ... A5 r0 ln L(X; ) (23)
j(M 1)
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 18 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Tests sur les paramètres

Règle de décision

Rejet de H0 avec un risque de type ↵ si

2
LR, LM ; , ou W 1 ↵ [r(M 1)]

c-à-d
2
Pr 1 ↵ [r(M 1)] LR, LM ; , ou W = ↵

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 19 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Tests sur les paramètres

Maximum de vraisemblance
Définition
La log vraisemblance est définie par:
0 0 11
N
X XJ J
X
ln L( ) = @ Iij xij j ln @ exp(xij j )AA (24)
i=1 j=0 j=0

où Iij = 1 si j est sélectionné 0 sinon .

Le gradient de ln L( ) est la dérivée partielle de ln L( ) par rapport à :

@ ln L( )
r ln L( ) =
@
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 20 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle Logit Ordinal: Modèles à rapports de chance proportionnels

Modèle Logit Ordinal: Introduction

Nous avons souvent des mesures ordinales pour lesquelles nous ne
pouvons pas nécessairement suposer que les catégories soient
équistantes.
- Eléments de questionnaire de type Likert pour les oponions, la
classe sociale, le niveau d’éducation.
Nous aimerions garder le caractère ordonner des données, de sorte
que qu’un modèle MNL ne soit pas notre premier choix
Les modèles logits ordinaux peuvent fournir une meilleure
alternative.
Le plus simple et le plus couramment usité est le modèle à rapport
de chances proporionnels.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 21 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle Logit Ordinal: Modèles à rapports de chance proportionnels

Modèles à rapports de chance proportionnels

A noter que dans ces modèles nous avons:
1 Une pente homogène pour tous les niveaux de y.
2 Une constante différente pour chaque niveau de y.
3 Un signe négatif pour les
exp(↵m 1 x1 · · · J xJ )
P r(Y  m|x) =
1 + exp(↵m x
1 1 · · · J xJ )
(1+exp(↵m 1 x1 · · · J xJ ))P r(Y  m|x) = exp(↵m 1 x1 · · · J xJ )
Après quelques mamnipulations algébriques on obtient la fonction logit
définie par;
✓ ◆
P r(Y  m|x)
↵m 1 x1 · · · J xJ = ln Fonction logit
1 P r(Y  m|x)
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 22 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle Logit Ordinal: Modèles à rapports de chance proportionnels

Modèles à rapports de chance proportionnels

Modèle avec des pentes égales où des lignes parallèles.

Les rapports des cotes ne dépendent pas de m

P r(Y  m|x) P r(Y  m|x0 )

/ = exp( 1 (x x0 ) ... J (x x0 ))
P r(Y > m|x) P r(Y > m|x0 )

Si j > 0, quand xj augmente la probabilité de passer d’un niveau

inférieur à un niveau supérieur de Y augmente.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 23 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle Logit Ordinal: Modèles à rapports de chance proportionnels

Hyphothèse de parallélité des coefficients de pentes

Lorsqu’on utilise un modèle à rapports de chances proportionnels,

on suppose que les relations entre les variables et les logits soient
les mêmes pour tous les niveaux de Y.

H0 : 8j = 1, . . . , J, j1 = ... jm = jM

On peut tester cette hypothèse en utilisant une statistique LR à des

modèles contraints et non contraints sous H0 et H1 respectivement.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 24 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle Logit Ordinal: Modèles à rapports de chance proportionnels

MNL avec paramètres d’échelle

On introduit quelques modifications dans la spéfication :
Paramètre d’échelle
⇡2
Variance de la distribution des valeurs extrêmes V ar["] = 6
Utilité réelle définie par:
U ⇤ = xij + "⇤ij

avec comme variance de "⇤ij : V ar("⇤ij ) = 2 ⇡2 .

6
L’utilité représentative estimée Vij = xij implique un changement
d’échelle de ⇤ .
⇤
) =

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 25 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle Logit Ordinal: Modèles à rapports de chance proportionnels

MNL avec reparamètrisation

⇤ et ne peuvent pas être estimés séparément
) Tenir compte du fait que les coefficients estimés indiquent l’effet
de la variable par rapport à la variance des facteurs non observés.
) Inclure les paramètres d’échelle si les sous-échantillons dans une
estimation groupée (peuvent) avoir des variances d’erreur
différentes (hétérocédasticité).
Paramètre d’échelle dans le cas d’une estimation groupée de
sous-échantillons ayant des variances d’erreur différente
Pour chaque sous-échantillon, multiplier l’utilité par µs , qui est
estimé simultanément avec .
Normalisation : fixer µs égal à 1 pour 1 sous-échantillon.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 26 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle Logit Ordinal: Modèles à rapports de chance proportionnels

MNL avec reparamètrisation

Les valeurs de Xs reflètent les différences de variation d’erreur.

- µs > 1 : la variance d’erreur du sous-échantillon de référence
- µs < 1 : la variance de l’erreur est plus grande dans s que dans le
sous-échantillon de référence.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 27 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Limites du modèle MNL

Indépendance des alternatives non pertinentes ou IIA

(proportionnelle de substitution) : les chances relatives entre deux
résultats quelconques sont indépendantes du nombre et de la
nature des autres autres résultats envisagés simultanément.
L’ordre (le cas échéant) n’est pas pris en compte.
La variation systématique du goût peut être représentée, mais pas
la variation aléatoire du goût.
Pas de corrélation entre les termes d’erreur (erreurs i.i.d.).

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 28 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Modèle MNL: hypothèse IIA

C’est la grande faiblesse du modèle. Le choix entre deux
alternatives quelconques alternatives ne dépend pas d’une
troisième - c’est-à-dire que le rapport des probabilités de choix
pour les alternatives i et j ne dépend pas des caractéristiques
d’autres alternatives, par exemple, xi3 .

P r(yi = j|xi ) exp(xij )

0
=
P r(yi = j |xi ) exp(xij 0 )

Implications : Modèles de substitution proportionnels (ou modèles

de substitution irréalistes. Il est possible d’ignorer la troisième
alternatives dans l’estimation.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 29 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Exemple (McFadden (1974)): Bus bleu - Bus rouge :

Supposons que nous ayons trois catégories de transport également
réparties :
• T1 : Bus bleu (P=33%), Voiture (P=33%) , Bus rouge (P=33%).
Maintenant, nous peignons les bus rouges en bleu. Nous avons alors
deux choix. En supposant IIA, nous avons :Bus bleu (P=50%),
Voiture (P=50%). Mais, une distribution plus probable: Bus bleu
(P=66%), Voiture (P=33%).
La variation systématique du goût peut être représentée, mais pas la
variation aléatoire du goût.
• Le modèle MNL suppose qu’aucune des catégories ne peut servir de
substitut (pas de corrélation). Si elle peut servir de substituts, alors les
résultats du MNL ne sont plus très réalistes.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 30 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Test de l’hypohèse IIA

Test Hausman-McFaddemen (HM) (Econometrica 1984)

• Idée de base : si un sous-ensemble de l’ensemble de choix est
vraiment non pertinent, son omission ne devrait pas affecter
significativement les estimations.
• Deux estimateurs : un efficace, un inefficace ) test englobant.
Étapes du test de Wald :
I Estimer le modèle logit multinational deux fois :
(a) sur un ensemble complet d’alternatives (avec des variables "non
pertinentes" : ˆa )
(b) sur un sous-ensemble d’alternatives (et des sous-échantillons
avec des choix de cet ensemble ˆb )
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 31 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Test de l’hypohèse IIA

I Calculer la statistique de Wald
⇣ ⌘0 ⇣ ⌘ 1⇣ ⌘
H0
W = ˆb ˆa V( ˆb ) V( ˆb ) ˆb ˆa ⇠ 2
(k)

I Sous H0 ( tester si IIA est non rejetée) :

Étapes du test de LR :
I Estimer le modèle logit deux fois :
a. sur un ensemble complet d’alternatives (H1 : ln LH1 ) b. sur un
sous-ensemble d’alternatives (et sous-échantillon avec des choix de cet
ensemble) (H0 :).
I Calculerln LH1 pour le sous-ensemble (b) ln LH0 avec les paramètres
obtenus pour l’ensemble (a)
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 32 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Test de l’hypohèse IIA

IComparez avec ln LH1 : La qualité de l’ajustement devrait être

similaire
H
LR = 2 (ln LH0 ln LH1 ) ⇠0 2 (k)

Remarque
HM
⇣ ont noté la⌘statique peut être négativie lorsque la matrice
V( ˆb ) V( ˆb ) n’est pas définie semi-définie positive. Dans ce cas on
ne peut pas prendre de décision. Small et Hsiao, 1985, un test alternatif.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 33 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Test de l’hypohèse IIA: Small et Hsiao 1985

Procédure du test
• Diviser l’échantillon initial en deux sous échantillons
approximativement de tailles égales pour réaliser le test.
• MNL non contraint est estimé pour chaque sous-échantillon.
⇤ ˆuS1 vecteur des paramètres est du MNL non contraint sous S1
⇤ ˆuS2 vecteur des paramètres est du MNL non contraint sous S2
• Le coefficient par moyenne pondérée est défini:
✓ ◆ ✓ ◆
ˆS1 S2 = p1 ˆS1 + 1 p1 ˆS2
u u u
2 2

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 34 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Limites du modèle MNL

Test de l’hypohèse IIA: Small et Hsiao 1985

• Un échantillon restraint est crée à partir du sous second échantillon en

éliminant tous les cas avec une valeur choisie de la variable dépendante.
• MNL est estimé en utilisant l’échantillon restreint et on obtient: ˆrS2
et L( ˆrS2 )
• La statistique SH est définie par :
h i
H
SH = 2 L( ˆuS2 ) L( ˆrS2 ) ⇠0 2 (K + 1)

où K est le nombre de variables indépendantes

Si on rejette l’hypothèse IIA plusieurs solutions ont été proposées.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 35 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Solution au rejet de l’hypohèse IIA

Modèles alternatifs

Dans le modèle MNL, nous avons supposé des "ij indépendantes

avec des distributions de valeurs extrêmes. Cela a essentiellement
créé la propriété IIA.
Ce n’est pas tout à fait correct, pour les composantes non
osbervées, avec des erreurs normales, nous n’aurions pas
exactement IIA, mais quelque chose d’assez proche.
La solution au problème de l’IIA est de relâcher l’indépendance
entre les composantes non observées de l’utilité latente et "i .

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 36 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèles alternatifs: Solutions pour IIA

Modèle logit emboîté, permettant la corrélation entre certains
choix.
Modèles permettant la corrélation entre les termes d’erreur, tels
que Modèles Probit à coefficients multiples
Logit à coefficients mixtes ou aléatoires, dans lequel les utilités
marginales associées aux caractéristiques du choix sont autorisées à
varier entre individus.
Le modèle de choix Dogit introduit par Gaudry et Dagenais (1979)
est une extension du modèle logit multinomial qui peut
potentiellement violer l’axiome d’indépendance des alternatives non
pertinentes et permettre des comportements captifs ou inattentifs.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 37 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Remarque
Tous ces modèles trouvent leur origine, sous une forme ou une autre,
dans les travaux de McFadden (1981, 1982 et 1984)

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 38 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués (Nested Logit model)

Nous considérons J choix (transport: Bus bleu et Bus rouge,

voiture individuel, co-voiturage par exemple) avec une possibilité de
corrélation entre eux en les imbriquant.
Nous regroupons les choix en un seul ensemble en S ensembles
:B1 , B2 , ..., BS .
Les choix sont corrélés à l’intérieur de l’imbrication (B1
(imbrication des bus) = bus rouge, bus bleu, etc. bus). Mais, nous
supposons l’indépendance entre les branches.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 39 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués (Nested Logit model)

Préférences à priori : Les individus choisissent l’option ayant

l’utilité la plus élevée, l’utilité du choix j dans l’ensemble Bs pour
l’individu i étant la suivante:

Uij = xij + Zs ↵ + "ij

où Zs représente les caractéristiques des nids et suit une valeur

extrême généralisée (GEV).
Les "ij ont une fonction de distribution cumulative conjointe
définie:

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 40 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués (Nested Logit model)

0 0 1 s1
S
X X
B @ "iJ A C
F ("i1 , . . . , "iJ ) = exp @ exp( ) A
s=1 s
j2B

A l’intérieur des ensembles, le coefficient de corrélation entre les j

est approximativement égal à 1 s . Entre les ensembles, les choix
j et j’ sont indépendants.
La clé de ce modèle est la façon dont nous formons les nids.
Différentes structures de nids produiront des résultats différents.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 41 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Nous choisissons les choix qui sont potentiellement proches, avec

les données utilisées pour estimer la quantité de corrélation.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 42 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués (Nested Logit model)

Exemple
Mode de transport, avec 4 choix : Bus, Train, Covoiturage et voiture.
Nous autorisons la corrélation entre le bus et le train ("Bus , "T rain
corrélées) et entre voiture (seule) et covoiturage ("Car , "Carpool
corrélées).
Choix du mode de transport.
Choix : Bus, train, voiture (seule) et covoiturage => J = 4.
Nids
• Transit : Bus et Train
• Voiture : Voiture (seule) et Covoiturage

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 43 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Structure

Nous regroupons les choix similaires dans des nids ou des branches.
Le modèle d’utilité linéaire (RUM = Random Utility Model) est
défini :
Uij = Vij + "ij .
Mais, ça se complique. Maintenant, on reformule l’utilité:
U (Choix) = U (Choix|Branche) + U (Branche)
U(Branche) = fonction de certaines variables Z (caractéristiques de
la branche,par exemple le confort de conduite, la vitesse, le prix,
etc.)
U(Choix|Branche) = fonction de certaines variables X (âge,
éducation, revenu). Ces variables varient selon les choix.
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 44 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Structure

Au sein d’une branche

• Variances identiques (IIA s’applique)
• Covariance (toutes identiques) = variance au niveau supérieur
Les branches ont des variances différentes (facteurs d’échelle)
Probabilités logit emboîtées : Valeur extrême généralisée
Prob[Choix,Branche] = Prob(Branche) * Prob(Choix|Branche)
=> Nous avons besoin de deux modèles :
1) Modèle de sélection de branche
2) Modèle du choix, étant donné la sélection de la branche

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 45 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Probabilité

Soit Zs l’ensemble des caractéristiques spécifiques à la branche. (Il

peut être vide, contenir une variable indicatrice de l’ensemble S,
etc.) Cet ensemble influence le choix de la branche.
Soit la probabilité conditionnelle du choix j étant donné que votre
choix se trouve dans l’ensemble Bs , ou Y 2 Bs ("probabilité au
niveau du rameau"):

exp (Vij / s )
P [Yi = j|Xi , Y 2 Bs ] = P
k2Bl exp (Vij / s )

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 46 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Probabilité

pour j 2 Bs, et 0 sinon. Cette probabilité décrit le modèle de
niveau inférieur et le choix à l’intérieur du nid ou au niveau du
rameau, étant donné une branche.
Notation inhabituelle: Corrélation à l’intérieur du nid = 1 ,
2 [0, 1].
Supposons que la probabilité marginale de chaque choix dans
l’ensemble Bs connue et définie par :
⇣P ⌘ s
exp(Zs ↵) k2Bk exp(V ik )/ s
PiBs P r[Yi 2 Bs |xi ] ⇣P ⌘ l
PS
j=1 exp(Z s ↵) k2Bl exp(V ik )/ l

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 47 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Probabilité

Il s’agit du modèle de niveau supérieur - il décrit les choix entre les

nids (probabilité d’une branche).
Si s = 1 pour tous les s - c’est-à-dire qu’il n’y a pas de corrélation
au sein du nid -, alors

exp(Vik + Z↵)
Pij = P ⇣P ⌘
S
j=1 k2Bl exp(V ik + Z↵)

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 48 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Résumé

• La probabilité logit emboîtée peut être décomposée en 2 modèles logit
: Pj = Prob[nid contenant j] × Prob[j, nid donné contenant j].
Pij = Pij|Bk ⇤ Pj,Bk avec

exp(Vij / k )
Pij|Bk = P (1) Modèle de niveau inférieur
k2Bk exp(Vij / k)
exp(Zik ↵ + k IVik )
Pj,Bk = P (2) Modèle de niveau supérieur
k2Bk exp(Zik ↵ + k IVik )
0 1
X
IVik = ln @ exp(Vij / k )A (3) Valeur inclusive
k2Bk
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 49 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Résumé

Remarque
Il existe un lien entre Pij |Bk ⇤ Pj,Bk (niveau supérieur et inférieur) : la
valeur inclusive IVik - le logarithme du dénominateur du modèle de
niveau inférieur.

•IVs est également appelé le log-sum pour les branches BS . Il

représente l’utilité attendue pour le choix des alternatives dans le nid
BS. ✓ ◆ ✓ ◆
IVBs = E max Uj = E max(Vj + "i )
j2Bs j2Bs

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 50 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Résumé

•IVs Pour être cohérent avec le RUM, k doit être dans l’intervalle [0,1]
(condition suffisante). suffisante) - voir McFadden (1981). La valeur de
k peut servir de vérification de l’existence du modèle logit emboîté.
•IVs IIA au sein d’un même nid, mais pas entre les nids.
⇣P ⌘ k 1
Pij exp(V ij / k ) m2Bk exp(V ij / k )
= ⇣ ⌘ l 1
Pij 0 P
exp(Vij 0 / l ) m2Bl exp(Vij / l )

•IVs Quand k = 1 => pas de corrélation au sein des nids

Pij exp (Vij )
=
Pij 0 ) exp(Vij 0 )
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 51 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Résumé

Exemple
Mode de transport avec 4 choix( Bus, Train, Voiture (seule) et
Covoiturage) et 2 nids (Transit : Bus et Train ; Voiture : Voiture
Modèle de niveau inférieur. Il donne la probabilité conditionnelle du
choix du transport en commun - conditionnellement au choix du mode
de transport. Par exemple, la probabilité conditionnelle Modèle de
niveau inférieur. Il donne la probabilité conditionnelle du choix du
transport en commun - conditionnelle au choix du mode de transport.
Par exemple, la probabilité conditionnelle de choisir le bus, conditionnée
par le choix du nid de transit :de choisir le bus, conditionnée par le
choix du nid de transit :
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 52 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Résumé

Exemple

exp(xiBus / T ransit )
P (Yi = Bus|Xi , Yi 2 Btransit ) =
exp(xiBus / T ransit ) + exp(xiT rain / T ransi

• De même, la probabilité conditionnelle de choisir le covoiturage,

conditionnellement à le choix du Covoiturage :

exp(xiBus / voit )
P (Yi = cov.|Xi , Yi 2 Bvoit. ) =
exp(xicov. / voit. ) + exp(xivoit.s / voit. )

Note : entre dans les deux équations => estimation simultanée

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 53 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Résumé

Exemple
• IIA est vérifiée dans les nids :

P (Yi = Bus|Xi , Yi 2 Btransit ) exp(x0iBus / T ransit )

=
P (Yi = T rain|Xi0 , Yi 2 Btransit ) exp(x0iT rain / T ransit )

cela dépend uniquement de xbus et de xT rain .

Valeur inclusive : Utilité attendue du choix compte tenu du choix de
la branche:

IVT ransi = ln (x0iBus / T ransit ) + exp(x0iT rain / T ransit )

IVT ransi = ln (x0icovoit. / voit. ) + exp(x0ivoit.s / voit IVT ransi )
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 54 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Résumé

Exemple
Modèle de niveau supérieur: Il donne la probabilité de choisir un
nid/branche. Par exemple, la probabilité de choisir Transit :

exp(Z 0 ↵ + T ransit IVT ransit )

P (Yi 2 BT ransit |Xi ) = P iT ansit 0
l=T ransit,Bus exp(Zil ↵ + l IVil )

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 55 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Estimation

Estimation
• Estimation conjointe ML. Compliquée,
⇤ La log vraisemblance pas toujours concave.
⇤ La convergence pas toujours garantie.
• Estimation séquentielle utilisant la structure
d’imbrication.
1 Estimation du modèle inférieur: Dans le nid, nous avons un modèle
conditionnel. MNL conditionnel avec des coefficients s . (Facile à
estimer, si la log-vraisemblanceP est concave)
2 Calculer la valeur inclusive, ln( l exp(Vil / s ), en utilisant les
estimations de s .
3 Estimer le modèle supérieur avec la valeur inclusive comme variable
explicative : Insérer les estimations de s dans Pij .
Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 56 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Estimation

Inconvénients de l’estimation séquentielle

• Les estimateurs séquentiels (en deux étapes) ne sont pas efficaces.
• La covariance doit être calculée séparément -McFadden (1981).
• Les paramètres qui entrent dans les deux niveaux ne sont pas
contraints d’être égaux.
• Cela n’assure pas la cohérence avec la maximisation de l’utilité.
Remarque : nous pouvons utiliser les estimations des
paramètres de l’estimation séquentielle comme valeurs de
départ pour l’estimation ML conjointe.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 57 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèle à choix imbriqués (Nested Logit model)

Modèle à choix imbriqués : Estimation

Des nids différents peuvent produire des résultats très différents.

Partition du choix en sous-ensembles mutuellement exclusifs au
sein desquels:
(a) les facteurs non observés sont corrélés, et
(b) les probabilités relatives sont indépendantes des autres
alternatives.

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 58 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Probit Multinomial

Modèle Probit Multinomial

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 59 / 60
Modèle Logit Multinomial Modèles alternatifs: Solutions pour IIA

Modèles Dogit

Modèle Dogit

Pr. Mendy
Chapitre 2: Modèles à choix discrets multiples 60 / 60