Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Journal of Choice Modelling. Журнал имеет первый квартиль, издается в Elsevier BV, находится в открытом доступе, его SJR за 2020 г. равен 1,328, импакт-фактор - 3,091, электронный ISSN - 1755-5345, предметные области - Статистика, вероятность и неопределенность, Моделирование и имитация. Вот так выглядит обложка:
Редактором является Стефан Хесс, контактные данные - S.Hess@leeds.ac.uk, choice.modelling@elsevier.com.
К публикации принимаются теоретические и прикладные статьи в области моделирования выбора. Ожидается, что статьи будут либо вносить методологический вклад в эту область, либо представлять инновационное приложение. Журнал не ограничивается одной областью исследования, например, транспортом или маркетингом, но предлагает статьи из различных дисциплин, в которых анализ поведения выбора является темой, представляющей интерес. Хотя большинство статей посвящено использованию моделей дискретного выбора, также приветствуются статьи, посвященные другим методам. Точно так же Journal of Choice Modeling также приветствует статьи, посвященные дизайну опросов. Помимо стандартных полноформатных исследовательских работ, JOCM также приветствует четыре других типа материалов: примечания к исследованию - это более короткие статьи, которые могут быть техническими примечаниями, касающимися конкретной спецификации модели, плана обследования, сбора данных или вопросов оценки или частей для обсуждения, подчеркивающих конкретную проблему в прикладной работе. Все материалы проходят обычный процесс слепого рецензирования для поддержания высоких стандартов журнала.
Адрес издания - https://www.journals.elsevier.com/journal-of-choice-modelling
Пример статьи, название - Latent class choice model with a flexible class membership component: A mixture model approach. Заголовок (Abstract) - This study presents a Latent Class Choice Model (LCCM) with a flexible class membership component. Specifically, it formulates the latent classes using Gaussian-Bernoulli mixture models and investigates the impact of such formulation on the representation of heterogeneity in the choice process, goodness-of-fit measures and out-of-sample prediction accuracy of the choice models. Mixture models are model-based clustering techniques that have been widely used in areas such as machine learning, data mining and pattern recognition for clustering and classification problems. An Expectation-Maximization (EM) algorithm is derived for the estimation of the proposed model. Using two different case studies on travel mode choice behavior, the proposed model is compared to traditional discrete choice models on the basis of parameter estimates’ signs, values of time, statistical goodness-of-fit measures, and cross-validation tests. Results show that mixture models improve the overall performance of latent class choice models by providing better out-of-sample predication accuracy in addition to better representations of heterogeneity without weakening the behavioral and economic interpretability of the choice models. Keywords: Econometric models; Discrete choice models; Latent class choice models; Machine learning; Mixture models