The aim of the study is to examine the potential effect of attitudes towards physical activity on bus utility in the context of a rural area where studies have shown that the level and opportunity for physical activity are generally low. The need to analyze attitudes remains a strong motivation for the application of integrated choice and latent variable models. As such, we integrated attitudes towards physical activity with two specific attitudes towards bus and car use in a binary logit mode choice model between car and bus, looking at the area of Asuke, Japan. As we found data separation due to highly unbalanced mode shares in the input data, the choice models were estimated with the likelihood function penalized. While only a few parameters were found to be significant, arguably as a result of the unbalanced mode share pattern, attitude variables were almost unaffected by the data separation phenomenon. Whereas maximum likelihood estimates do not exist in the presence of data separation, the employed penalized maximum likelihood estimator was demonstrated to be a solution to this problem. Thus, we suggest that checking for data separation in the case of highly unbalanced mode share patterns is important and if data separation exits, penalizing the likelihood functions can be a solution rather than excluding out some irrelevant variables to avoid data separation. Overall, we found that attitude towards physical activity had a significant effect on bus utility, suggesting that policymakers could use this factor to connect transport and health policies.

这项研究的目的是在农村地区进行体育锻炼的水平和机会普遍较低的农村地区，研究对体育锻炼的态度对公交设施的潜在影响。分析态度的需求仍然是应用综合选择和潜在变量模型的强烈动机。因此，我们在日本Asuke的地区，将对身体活动的态度与对公共汽车和小汽车使用的两种特定态度结合在汽车和公共汽车之间的二进制logit模式选择模型中。当我们发现由于输入数据中高度不平衡的模式份额而导致数据分离时，选择模型的估计似然函数受到了惩罚。虽然只有少数几个参数很重要，但可以说是模式共享模式不均衡的结果，态度变量几乎不受数据分离现象的影响。尽管在数据分离的情况下不存在最大似然估计，但事实证明采用的惩罚性最大似然估计器可以解决此问题。因此，我们建议在高度不平衡的模式共享模式下检查数据分离很重要，如果数据分离退出，对似然函数进行惩罚可以作为一种解决方案，而不是排除一些无关的变量来避免数据分离。总体而言，我们发现对体育锻炼的态度对公交车的使用产生了重大影响，这表明政策制定者可以利用这一因素来联系交通运输和卫生政策。尽管在数据分离的情况下不存在最大似然估计，但事实证明采用的惩罚性最大似然估计器可以解决此问题。因此，我们建议在高度不平衡的模式共享模式下检查数据分离很重要，如果数据分离退出，对似然函数进行惩罚可以作为一种解决方案，而不是排除一些无关的变量来避免数据分离。总体而言，我们发现，对体育锻炼的态度会对公交车的使用产生重大影响，这表明政策制定者可以利用这一因素来联系交通和健康政策。尽管在数据分离的情况下不存在最大似然估计，但事实证明采用的惩罚性最大似然估计器可以解决此问题。因此，我们建议在高度不平衡的模式共享模式下检查数据分离很重要，如果数据分离退出，对似然函数进行惩罚可以作为一种解决方案，而不是排除一些无关的变量来避免数据分离。总体而言，我们发现，对体育锻炼的态度会对公交车的使用产生重大影响，这表明政策制定者可以利用这一因素来联系交通和健康政策。我们建议在高度不平衡的模式共享模式下检查数据分离很重要，如果数据分离退出，对似然函数进行惩罚可以作为一种解决方案，而不是排除一些无关的变量来避免数据分离。总体而言，我们发现，对体育锻炼的态度对公交车的使用产生了重大影响，这表明政策制定者可以利用这一因素来联系交通和健康政策。我们建议在高度不平衡的模式共享模式下检查数据分离很重要，如果数据分离退出，对似然函数进行惩罚可以作为一种解决方案，而不是排除一些无关的变量来避免数据分离。总体而言，我们发现，对体育锻炼的态度会对公交车的使用产生重大影响，这表明政策制定者可以利用这一因素来联系交通和健康政策。