用于离散选择估计的表格基础模型

表格基础模型 (TFM) 通过上下文学习生成结构化数据的预测，无需针对特定任务进行估计。我们询问 TFM 是否可以有效地应用于离散选择（营销和运营中的中央需求估计框架），并发现直接应用 TFM 的性能有限。这种差距是结构性的：TFM 假设与行无关的观察结果，而离散选择本质上是设定值的，并且受到持续的消费者偏好异质性的影响。我们提出了一种重新表述，在基于行的学习框架内编码选择集依赖性和个体异质性。在酸奶扫描仪面板上进行评估，个体水平的异质性编码是预测准确性的主要驱动因素。最佳重构在保留对数似然和命中率方面均优于分层贝叶斯估计，运行速度快 16 倍，这对于大规模需求估计来说是一个实际优势。在中等数据体系（每个消费者 10--40 次购买次数）中优势最大，其中参数贝叶斯收缩最扭曲对非典型消费者的估计。人口选择数据上的 微调 为具有浅购买历史的消费者提供了额外的收益，其中上下文学习限制了个人特定信号的条件。这些结果建立了一种原则性方法，可以更广泛地将基础模型应用于消费者选择问题。