说明 在多元离散选择模型中,因为 Probit模型需要对 多元正态分布的整体进行评价,所以它的应用受 到限制。 逻辑分布更适合于效用最大化时的分布选择,所 以应用最多的多元离散选择模型是Logt模型。 Logt模型的似然函数能够快速可靠地收敛,当方 案或者决策个体数量较大时,计算比较简便
说明 • 在多元离散选择模型中，因为Probit模型需要对 多元正态分布的整体进行评价，所以它的应用受 到限制。 • 逻辑分布更适合于效用最大化时的分布选择，所 以应用最多的多元离散选择模型是Logit模型。 • Logit模型的似然函数能够快速可靠地收敛，当方 案或者决策个体数量较大时，计算比较简便
·Logt模型计算的简便性是有条件的。即选择方案 是不相关的,具体包括 U1=V+,E是独立的; P/P与其它选择方案的属性无关,与选择方案的个数 无关 P关于其它选择方案属性的弹性是不变的,与i关。 上述条件只有在选择方案的差异相同的情况下才 能得到满足。 在相关文献中有数学证明
• Logit模型计算的简便性是有条件的。即选择方案 是不相关的，具体包括： – Uij=Vij+εij，εi是独立的； – Pi/Pk与其它选择方案的属性无关，与选择方案的个数 无关； – Pi关于其它选择方案属性的弹性是不变的，与i无关。 • 上述条件只有在选择方案的差异相同的情况下才 能得到满足。 • 在相关文献中有数学证明
1.一般多元选择 Logit模型的思路 如果决策者i(J+1)项可供选择方案中选择了 第j项,那么其效用模型为: U=X:B+a )k=0,1,2,…,J≠j X: B 如果(J+1)个随机误 差项互不相关,并且 XB 服从Webu分布 0 F()=e5
⒈ 一般多元选择Logit模型的思路 • 如果决策者i在（J+1）项可供选择方案中选择了 第j项，那么其效用模型为： Uij = Xij+ ij P U U k J k j ij ik ( ) = 0,1,2, , P y j e e i j J ( = ) = = X X ij ij 0 如果（J+1）个随机误 差项互不相关，并且 服从Weibull分布 F e ij ij ( ) = −
·效用模型的解释变量中包括所有影响选择的因素, 既包括决策者所具有的属性,也包括备选方案所 具有的属性。 ·备选方案所具有的属性是随着方案的变化而变化 的。 决策者所具有的属性中一部分是随着方案的变化 而变化的,而一部分是不随着方案的变化而变化 的 用z表示随着方案的变化而变化的那部分解释变 量,W表示不随着方案的变化而变化的那部分解 释变量
• 效用模型的解释变量中包括所有影响选择的因素， 既包括决策者所具有的属性，也包括备选方案所 具有的属性。 • 备选方案所具有的属性是随着方案的变化而变化 的。 • 决策者所具有的属性中一部分是随着方案的变化 而变化的，而一部分是不随着方案的变化而变化 的。 • 用Zij表示随着方案的变化而变化的那部分解释变 量，Wi表示不随着方案的变化而变化的那部分解 释变量
T+w:A Zara PO=j) T+w:A W:A j=0 0 Zulia P(y;=j)= wA Zal U =0 =0
P y j e e e e e e i j J j J ( = ) = = + + = = Z W Z W Z W Z W ij i ij i ij i ij i 0 0 P y j e e e e e e i j J j J ( = ) = = = = Z W W Z Z Z ij i i ij ij ij 0 0