|
 |
MARKLEY
Sébastien |
contact
|
English |
| |
Intégration
de données spatiales dans la modélisation des choix
discrets : applications aux modèles de comportements d’achats
des ménages français.
|
| |
|
Centre de recherche : |
Groupe
de recherche en économie mathématique et quantitative
(GREMAQ UMR CNRS 5604) |
| Directeur
de recherche : |
Anne RUIZ-GAZEN, Maitre de conférences à
l’Université Toulouse 1 Sciences sociales,
et Michel SIMIONI, Directeur de recherche
à l’INRA. |
| Membres
du jury : |
Gérard CLIQUET, Professeur à l’Université
de Rennes I, rapporteur.
Dominique HAUGHTON, Professeur à Bentley
College (USA), rapporteur.
Benoit MULKAY, Professeur à l’Université
de Montpellier I, rapporteur.
Jean-Philippe LESNE, BVA.
Anne RUIZ-GAZEN, Maitre
de conférences à l’Université
de Toulouse 1 Sciences sociales.
Michel SIMIONI, Directeur de recherche à
l’INRA.
Christine THOMAS-AGNAN, Professeur à l’Université
de Toulouse 1 Sciences sociales.
|
| Année
de soutenance : |
2008
|
| Discipline
: |
Mathématiques |
| Texte
intégral en ligne : |
PDF
|
| Cotes
catalogue BU UT1 : |
BU
Arsenal : TG1001-2008-2 (Exclu du prêt) |
|
|
|
|
Résumé
: |
Cette
thèse CIFRE a été réalisée
au sein de l’institut de sondage BVA. BVA développe
des techniques de prédiction de la répartition des
dépenses françaises à partir de bases de
données de consommation. Dans ce cadre, nous avons construit
un modèle Logit Conditionnel pour prédire les choix
de magasins de grandes surfaces des ménages, puis utilisé
les techniques d’imputation pour prédire les choix
de produits de ces mêmes ménages. Nous montrons que
les choix de magasins sont insensibles aux caractéristiques
sociodémographiques des ménages. Par contre, l’utilisation
des distances entre magasins et domiciles et les caractéristiques
géographiques des voisinages des magasins sont essentielles
pour la prédiction.
Dans un premier chapitre, nous rappelons les principaux aspects
des modèles Logit Conditionnels, et décrivons les
données utilisées.
Dans un deuxième chapitre, nous adaptons le Logit Conditionnel
au problème traité. Nous explorons différentes
pistes pour réduire la taille trop importante de l’ensemble
de choix. Puis, après avoir étudié les propriétés
des critères usuels d’évaluation de la prédiction
dans les modèles de choix, nous proposons un autre critère
basé sur la calibration du modèle.
Dans un troisième chapitre, nous donnons une illustration
à partir des données de l’enquête "
Flux d’Achats " sur la Région Centre.
Dans un dernier chapitre, nous utilisons les techniques d’imputation
pour prédire les choix de produits selon les choix de magasins. |
|
 |
| Title
: |
Integration
of spatial data into discrete choice models : application to the
modelling of French shopping behaviour. |
| Abstract
: |
The
thesis was done in collaboration with the BVA Institute, a survey
company that hoped to develop techniques of forecasting French
spending based on data sets from their own consumer surveys. We
developed a Conditional Logit model in order to predict the large
surface stores chosen by each household, and used imputation in
order to predict the products they chose.
Since store choice was insensitive to household characteristics,
the use of home-store distances and the geographic characteristics
of store neighbourhoods was essential to our predictions.
In the first chapter, we present Logit Models in general, and
describe the data that we use to apply our modelling techniques.
In the second chapter, we explore how we adapt the Conditional
Logit model to choices of stores. Due to the fact that a choice
of store has too many alternatives for estimation to be tractable,
we test several modifications of our model that either reduce
the size of each choice set, or that result from random draws
of the alternatives. Since traditional evaluation methods based
on likelihood were inappropriate for comparing these different
techniques, we developed a criteria based on the model calibration
to choose the best estimation technique.
In the third chapter, we present the results of our estimations
on our sample, presenting the technique that shows the best trade-off
between predictive accuracy and cost of use.
In the last chapter, we look at the use of imputation in order
to predict product choice based on store choice. |
|
|
|
b |
