如何從德國停車數據開始估算意大利停車數據？
我目前正在調查意大利停車痛的經濟影響。我剛剛發現這個INRIX Research 絕對令人驚嘆，但它只專注於美國、英國和德國市場。
我想知道是否有任何指標/KPI 可以從德國的數據中得出意大利停車疼痛成本。
您可以在下面找到報告的摘要快照：
在這裡，您可以找到公開報告的直接連結。
您知道要考慮的任何指標或 KPI 嗎？你將如何解決這個問題？
我不完全確定使用德國數據是否可以做到這一點，儘管很高興得到糾正。
看來您擁有的數據很大程度上是由停車搜尋成本驅動的，因此您能否嘗試找到有關上班時間的國際可比數據，控制一些位，然後嘗試看看您是否可以找到停車搜尋成本為顯著影響？然後，您可以將這種影響應用於意大利上班時間旅行的數據，並做出合理的假設。
數據：意大利統計局 ( https://db.nomics.world/ISTAT ) 提供了一些關於公民對生活質量看法的精彩調查數據——也許你可以從中推斷出一些東西，或者查看是否提供了支出數據關於停車執法。同樣，世界經濟論壇的旅行和旅遊/全球競爭力指數可能有關於上班時間的指標。
一個非常全面的方法是收集有關議會會議記錄的數據，以了解停車問題的頻率。
如果我有這個問題並且我想為意大利估計它，但無法訪問意大利數據，那麼我將建構一個貝氏模型並以兩種方式之一將其視為自由參數。
首先，您可以採用總均值和聯合變異數，並聯合建構均值和變異數的最大熵分佈。然後你可以通過注意到$$ \Pr(\tilde{x}|\mu;\sigma^2)=\int_{-\infty}^\infty\int_0^\infty\mathcal{L}(\tilde{x}|\mu;\sigma^2)\pi(\mu;\sigma^2)\mathrm{d}\mu\mathrm{d}\sigma^2. $$
通過假設數據具有代表性，這將為您提供粗略的分佈。如果您使用最大熵分佈，它將過於寬泛。這稱為先驗預測分佈。這兩個假設都是危險的，那就是數據具有代表性，沒有什麼是意大利獨有的。
第二個選項也是貝氏。原因是貝氏方法允許您將相關資訊合併到您的估計中。通過這樣做，它會產生一個隨機主導的估計量，但確實需要一些判斷力和技巧才能做得好。
第二個是根據每個國家的自變數估計停車疼痛。我對這個話題了解得不夠多，無法給你任何。但是，您可以在可以訪問意大利參數的某些數據集上對參數進行回歸。
讓我們假設您對這三個國家的估計是 $ (\beta,\Sigma) $ 在哪裡 $ \beta $ 是斜率的向量，並且 $ \Sigma $ 是共變異數矩陣。除非有其他原因，否則我們將假設正常。
貝氏估計不會產生點參數，而是每個參數的整個分佈。我們會將這些參數邊緣化，並根據它們對意大利進行預測。
如果 $ y $ 在意大利停車痛嗎？ $ x $ 是所有四個國家的可用因子，那麼你可以構造$$ \Pr(y|x)=\int_\beta\int_\Sigma\mathcal{L}(y|\beta,\Sigma,x)\pi(\beta,\Sigma)\mathrm{d}\beta\mathrm{d}\Sigma. $$ 如果您想要單點預測，那麼您將最大化效用函式或最小化預測的損失函式。
這一切都取決於您的數據集的粒度。
如果您以前沒有使用過貝氏方法，我建議您閱讀 Boldstad 的兩本書。一個是為高年級本科生寫的，另一個顯然不是。
貝氏方法的不同之處在於它不假設數據是偶然得出的。數據被看到了，沒有什麼隨機的。這些參數被認為是隨機數，其中隨機意味著它們的位置具有不確定性。