<p>Dear Applied Statistics Community,</p><br><p>This Wednesday the Applied Statistics Workshop will welcome Matthew Harding, Dept. of Economics, Stanford University.&nbsp; Matthew will be presenting his research, &quot;A Bayesian Mixed Logit-Probit Model for Multinomial Choice&quot;, a project that is joint with Jerry Hausman and Michael Burda.&nbsp; Here is an abstract for the presentation: <br>
</p><p>In this paper we introduce a new flexible mixed model for
multinomial discrete choice where the key individual- and alternative-specific
parameters of interest are allowed to follow an assumption-free nonparametric
density specification while other alternative-specific coefficients are assumed
to be drawn from a multivariate normal distribution. A hierarchical
specification of our model allows us to break down a complex data structure
into a set of submodels with the desired features that are naturally assembled
in the original system. We estimate the model using a Bayesian Markov Chain
Monte Carlo technique with a multivariate Dirichlet Process (DP) prior on the
coefficients with nonparametrically estimated density. We bypass a problem of
prior non-conjugacy by employing a &quot;latent class&quot; sampling algorithm
for the DP prior. The model is applied to supermarket choices of a panel of
Houston households whose shopping behavior was observed over a 24-month period
in years 2004-2005. We estimate the nonparametric density of two key variables
of interest: the price of a basket of goods based on scanner data, and driving
distance to the supermarket based on their respective locations, calculated
using GPS software. Supermarket dummies form the parametric part of our model.</p><p><br></p>The workshop meets at 12 noon with a light lunch and presentations usually begin at 1215.&nbsp; Our workshop is located at 1737 Cambridge St, CGIS-Knafel, room N-354.&nbsp; <br>
<br>Please contact me with any questions<br><br>Justin Grimmer<br>