1 效用的基本概念
效用（Utility）用于刻画个体对不同选择结果的主观满意程度。在经济学与决策理论中，效用提供一种统一语言：把“我更喜欢哪个结果”抽象为“哪一个效用更高”，从而便于进行偏好排序、权衡比较与理论推导。
1.1 效用与偏好之间的关系
偏好刻画的是比较关系，如“选择A比选择B更合意”。效用则把这种比较关系数值化，形成一种可操作的表示：当某方案带来更高的效用时，个体会被视为偏好该方案。需要注意的是，效用在很多理论框架下只要求保序一致，即只要保持偏好对应关系（例如更大效用意味着更强偏好），效用的具体数值尺度未必唯一。
1.2 效用的作用：排序、比较与决策
在模型中，效用常作为决策规则的核心输入：个体在可行集合中选择效用最高的方案（或以某种概率方式更倾向于高效用方案）。因此，效用的意义不仅是描述偏好，还承担了把偏好转化为预测对象的功能：当效用函数与参数可估计时，便可以从数据中推断偏好结构，并检验模型是否与观察行为一致。
1.3 效用函数的直观含义与形式要求
效用函数通常被理解为“把结果映射为满意度”的工具。形式上，它把选择结果（或结果的若干属性）映射到实数，使得同一结果对应固定效用，便于比较与计算。良好的效用函数在建模上往往需要满足一定的规律性（如对属性的变化方向反映直觉偏好），并且在统计估计中具备可识别性与可估计性，否则即使理论上可定义，也难以与数据建立对应。
2 效用的数学表达
效用的数学表达是把直观偏好“建模化”的关键步骤。根据决策情境，效用可呈现为确定性函数或随机对象，并可能依赖于结果属性、决策者特征与不确定性描述。
2.1 确定性效用与结果映射
在确定性环境中，结果是已知的。效用函数可写作 \(u(x)\)，其中 \(x\) 表示结果的属性向量，\(u(x)\) 是对应的效用水平。此时，决策规则通常直接比较 \(u(x)\) 的大小：在约束下选择使效用最大的一组属性。
2.2 效用函数的性质（单调性、连续性等）
效用函数的性质用于刻画偏好的“行为学”特征。常见要求包括：
- 单调性：若某属性增加能在主观上带来不减的满意，则效用随该属性变化保持相应方向。
- 连续性：小幅改变结果属性导致效用小幅变化，便于使用微分或连续优化工具。
- 凸性/凹性或边际变化规律：用于刻画风险态度或边际替代模式（具体含义依模型设定而定）。
这些性质并非所有场景都必须严格成立，但在许多理论与经验研究中能提升解释力并增强可计算性。
2.3 效用的可观测性与可识别性
效用本身通常不可直接观测，只能从选择行为、偏好陈述或实验响应中间接推断。因此需要讨论两类问题：
- 可观测性：数据记录的是选择结果或选择频率，而不是效用值。
- 可识别性：模型中的参数即便理论可写，若不同参数组合生成同样的选择概率，则参数难以被数据区分。
在经验建模中，通常通过约束（如归一化）或引入足够多样的解释变量来缓解不可识别性。
3 效用与决策理论
效用在决策理论中的核心用法是给出“最优选择”的原则及其在不确定条件下的扩展。不同不确定性设定对应不同效用刻画方式。
3.1 风险下的效用最大化
“风险”通常指结果的概率已知或可由外部信息确定。此时，决策者面对的是一组可能结果及其概率。效用最大化原则通常与对结果的效用评估相结合，使得选择规则能够从概率结构与效用结构共同确定。
3.2 不确定性下的偏好刻画
“不确定性”强调概率本身不一定可靠或难以精确描述。此时，直接基于已知概率的决策规则可能不适用，需要引入更一般的偏好表述方式（例如用能反映态度的准则函数，或以经验方式拟合选择规律）。在经验研究中，常见做法是把不确定性特征转化为可观测协变量，并用统计模型间接学习偏好权衡。
3.3 期望效用框架与替代思路
期望效用框架把效用与概率结合，通过对效用在不同结果上的“加权平均”形成决策依据。该框架具有良好的数学结构，便于推导与估计。但在一些行为数据中，人们可能观察到偏离期望效用的模式，例如对损失更敏感或对概率权重的非线性处理。为此，研究者提出多种替代或扩展思路，将偏好非线性的来源参数化，使模型更贴近观测行为。
4 随机效用与统计建模
统计建模常把效用视为“潜在变量”。在重复选择、群体数据或噪声存在的情境下，不同个体或同一个体的选择结果可能带有未观测差异，因此需要引入随机性以匹配数据波动。
4.1 随机效用模型的基本思想
随机效用模型通常将“真实效用”拆分为可解释的系统部分与不可观测的随机扰动部分：系统部分由可观测协变量决定，随机扰动代表测量误差、未观测偏好或随机性。随后，通过把效用大小转化为选择事件（例如某方案效用最高）来推导选择概率，从而获得可估计的似然形式。
4.2 离散选择模型（动机与结构）
离散选择模型关注的是“在离散备选项之间做选择”。结构上，它们通常指定：每个备选项都有对应的效用（或效用函数），选择规则依据效用比较。模型在经验上可用于分析交通方式选择、商品购买类别、方案取舍等情境，通过估计参数解释哪些因素提高某类选择的可能性。
4.3 多项选择与概率化偏好
当备选项超过两个时，需要概率化地表达偏好强弱，而非只给出确定性排序。多项选择模型通过计算每个选项被选中的概率，形成与数据频率相对应的预测。该做法使偏好不仅可比较，还能在不确定噪声存在时保持统计一致性，从而便于检验模型与比较不同规格的解释变量。
5 常见统计模型中的“效用”
在实际应用中，许多常用统计模型都能被理解为某类效用结构与选择概率之间的对应关系。关键在于：效用如何被参数化，以及概率如何从效用推导。
5.1 广义线性模型中的线性预测器与效用解释
广义线性模型使用线性预测器把协变量与响应的系统结构连接起来。虽然并不总是显式写成“效用函数”，但在许多离散响应的情境下，线性预测器可以被视作效用的系统部分：它刻画了协变量对选择倾向（或结果发生倾向）的方向与强度。链接函数则将线性预测器映射到概率或期望量，使之适应不同类型的响应分布。
5.2 二元选择模型与效用相关性
二元选择模型处理“是/否”或“两种互斥备选”。在随机效用视角下，它常对应一个潜在效用差异：当差异为正时更可能选择第一项。通过合适的分布假设，可以把效用差异与选择概率联系起来，从而得到可估计的概率模型。由于模型使用概率输出，它能够反映个体间的未观测差异与噪声。
5.3 多项/有序选择模型与效用差异
多项选择模型通常比较多个备选项的相对效用，从而给出每个选项的选择概率。 有序选择模型则处理“有序等级”的响应，如满意度等级、风险类别等。其结构通常依赖效用水平与阈值之间的关系：当潜在效用跨越某阈值时对应更高等级。这样一来，效用差异不仅决定“选哪个”，还影响“落在哪个有序层级”。
6 参数估计与模型评估
效用模型的价值在于可估计与可检验：通过数据估计参数，并通过拟合与预测评估来衡量模型的合理性。
6.1 最大似然与准则函数（概念层面）
在多数统计离散选择框架中，参数通过最大似然或相关准则函数进行估计。基本思路是：给定参数，模型能计算每次观测的选择概率；把观测到的选择结果看作概率事件，选择使总体似然最大的参数作为估计值。准则函数在计算上常体现为对对数似然的求和或加权求和。
6.2 估计结果的解释：系数与边际效应
估计结果通常包含两层含义：
- 系数解释：反映协变量进入效用（或线性预测器）后的方向影响。系数符号常用于判断提高某协变量是否提升选择倾向。
- 边际效应：把对效用或线性预测器的变化转换为对选择概率的变化，更便于直观理解。由于概率模型常包含非线性链接，系数本身未必等于概率变化的直接幅度，因而需要借助边际效应或模拟预测进行解释。
6.3 模型拟合与预测评估
模型评估通常从两个方面展开：
- 拟合：检验模型是否能较好解释训练数据（例如通过对数似然、信息准则或伪R方等指标）。
- 预测：检验对新数据或未观测情境的泛化能力（例如交叉验证、预测准确度或概率校准度量）。
在效用模型中，良好拟合不一定等同于良好预测，因此往往需要结合多指标判断。
7 效用的变体与扩展
为了更贴近复杂决策行为，效用概念不断发展出各种扩展形式。扩展通常围绕“偏好来源的非线性”“跨期权衡”“多属性聚合”等主题展开。
7.1 参考点与损失厌恶等偏好扩展（概念）
参考点与损失厌恶等扩展思想把效用从“只看结果水平”推进到“相对变化的主观感受”。在这种设定中，同样的结果增量可能在不同参考基准下产生不同的主观价值，从而解释一些看似违背简单单调关系的选择模式。模型化时，常引入相对量或分段函数，以描述对增益与损失的不同敏感度。
7.2 时间折现下的效用（跨期选择）
跨期选择涉及“当下效用”与“未来效用”的权衡。时间折现用于把未来结果折算到当下的主观价值。折现因子或折现函数的形式会决定个体对延迟的敏感程度。通过在效用结构中加入时间维度，可以分析储蓄、投资、计划执行等场景中的偏好随时间变化的规律。
7.3 多属性效用与聚合方式
现实选择往往同时考虑多个属性，如价格、质量、风险、便利性等。多属性效用通过某种聚合方式把属性映射为单一效用或可比较指标。常见做法包括加法结构（把各属性的贡献相加）以及引入交互项以刻画属性之间的替代或互补关系。选择聚合形式的关键在于：它既要与理论直觉一致，也要能在数据中被识别和估计。