Il presente lavoro analizza il comportamento d’acquisto
di automobili a carburanti tradizionali e alternativi, utilizzando
dati italiani di preferenze di scelta dichiarate.
Proponiamo un modello Gerarchico Bayesiano Mixed
Logit (HBML) flessibile che ci permette di tener conto
delle possibili dipendenze dei parametri casuali relativi
agli attributi delle automobili testate alle caratteristiche
individuali, quali età e genere. Inoltre, il modello
proposto consente di aggiungere facilmente parametri
specifici dell’alternativa e correlazione tra le alternative.
Abbiamo effettuato una rassegna della letteratura
sulla scelta d’acquisto di veicoli, selezionando in particolare
le applicazioni di modelli a scelta discreta in
cui è stato adottato un approccio bayesiano. Essa rivela
che il nostro studio sembra essere la prima applicazione
di modelli HBML che analizzano questo tipo di
scelte. Inoltre, al fine di approssimare la distribuzione
congiunta a posteriori dei parametri e gli iper-parametri
del modello, in questo lavoro viene utilizzato il più efficiente
campionatore Monte Carlo Hamiltoniano, invece
di uno dei più tradizionali metodi Markov Chain Monte
Carlo (MCMC) come ad esempio il campionatore di
Gibbs. I risultati dei modelli dimostrano l’utilità del
metodo proposto. This paper analyses the purchase behaviour for conventional
and alternative fuel cars, using Italian stated preference
discrete choice data. We propose a flexible Hierarchical
Bayesian Mixed Logit (HBML) model that
permit us to take into account of possible dependences
of the car attribute random parameters on individual
characteristics, like age and gender. Moreover, alternative-
specific parameters and correlation across alternatives
have been easily added to the model. We carried
out a survey of the literature on vehicle purchase choice
selecting applications of discrete choice models in
which a Bayesian approach was adopted. It reveals that
our study seems to be the first application of HBML
models to analyse this type of stated choices. Moreover,
in order to approximate the joint posterior distribution
of both the model parameters and hyper-parameters, in
this paper we use the most efficient Hamiltonian Monte
Carlo sampler, instead of considering the more traditionally
Markov Chain Monte Carlo (MCMC) methods
as e.g. Gibbs sampler. The modelling results show the
usefulness of the proposed method.
