#logit

Dr Mircea Zloteanu đŸŒŒđŸmzloteanu
2025-05-08

#339 Better discrete choice modeling through the rank ordered logit

Thoughts: MaxDiff, rank ordered logit, and how to model discrete choice data.

andytimm.github.io/posts/doing

2025-05-06

Das ist schon eine ganz anstĂ€ndige Zahl, aber der Fehler der Briefwahlprognose ist leider grĂ¶ĂŸer, so dass da auch Werte unter 0 ⁠% und ĂŒber 100 ⁠% rauskommen: GrĂŒne 136 ⁠%, SPD 83 ⁠%, FDP 28 ⁠%, AfD 1 ⁠%, CDU −49 ⁠%, Linke −53 ⁠%, Rest −25 ⁠%, UngĂŒltige −20 ⁠% (alles bezogen auf WĂ€hler). Das ist also so direkt nicht realistisch, aber es ist zumindest ein Anhaltspunkt fĂŒr eine Tendenz. Gerechnet hab ich mit #Logit-Differenzen und Normierung. [3/5]

2025-04-28

Danach logarithmischer Abfall der Dichte vom #Erwartungswert (kann negativ sein, da das Maximum im Allgemeinen etwas abseits liegt). Dahinter diverse #Potenzmittel (∞, 2, 1.5, 1) der Abweichungen nach #Logit und in #Prozentpunkte⁠n. #RMSE (Root Mean Square Error) ist generell der beste Standard. Logit bewertet Abweichungen bei kleineren Parteien ziemlich stark; bei Prozentpunkten sind sie dagegen im VerhĂ€ltnis zu zufĂ€lligen Stichproben unterbewertet. [2/2]

Client Info

Server: https://mastodon.social
Version: 2025.04
Repository: https://github.com/cyevgeniy/lmst