1 概念与背景
1.1 离散选择的研究对象
离散选择模型用于刻画个体在若干互斥且可列举的选项之间做出决策。这里的“离散”强调结果只能取有限集合中的某一项，而非连续数值。例如：在交通中选择步行/公交/自驾；在市场中选择不同品牌或不同套餐；在组织场景中选择某种职位或课程；在调查研究中给出对某一政策的态度档位。 与连续结果不同，离散选择关注的是“选了哪个”，而不是“选多少”。
1.2 效用思想与选择概率的联系
模型的核心思想是效用（utility）：在解释变量给定的条件下，个体对每个选项都可被视为拥有某种“偏好强度”。由于真实偏好不可能完全被观察到，模型将效用拆分为可观测部分与不可观测部分，并把不可观测部分视为随机。 在这一框架下，个体倾向于选择效用更高的选项，从而把“选择”映射为“概率”。因此，估计的目标通常是找到一组参数，使得模型预测的选择概率与观测数据相匹配。
1.3 与相关领域的区别（与回归、时间序列等对照）
离散选择模型与常见回归模型的差别在于：
- 因变量形式：回归常用于连续型因变量，而离散选择模型用于多类或二类结果。
- 建模对象：离散选择直接描述“类别概率/选择概率”，而不是用线性预测去解释连续波动。
- 误差处理方式：离散选择依赖于效用中的随机项，其分布假设决定了概率形式。
与时间序列相比，离散选择模型可处理离散事件的决策机制，但其基本版本并不自带时序相关结构；时序依赖通常需要额外扩展（如动态离散选择或包含滞后变量的设定）。
2 基本模型框架
2.1 选项集合与个体层面设定
设有个体 \(n=1,\dots,N\)，每个个体面对一个可选集合 \(C_n\)，集合中的元素表示互斥选项。个体最终选择其中某一项，用离散变量表示：若选择 \(j\in C_n\)，则记为 \(y_n=j\)。 在某些应用中，选项集合可能随个体变化（例如不同人所能接触的交通方式不同），这会影响模型可用信息与概率计算。
2.2 解释变量与效用函数构成
对每个选项 \(j\)，构造其效用 \(U_{nj}\)。效用通常写成 \[ U_{nj}=V_{nj}+\varepsilon_{nj}, \] 其中 \(V_{nj}\) 为可观测部分，由解释变量通过函数形式组合得到；\(\varepsilon_{nj}\) 为不可观测随机误差，反映未被纳入模型的偏好、测量误差或个体差异。 解释变量可以同时包含：个体特征（如收入、年龄）、选项属性（如价格、时间、质量）、以及两者交互（如不同收入人群对价格敏感性不同）。
2.3 随机效用与误差项建模
关键在于对误差项的分布与相关结构做出假设。误差项不仅决定了“哪一个效用最大”的概率，也决定了模型是否能得到封闭形式。
- 当误差项被假设相互独立并来自特定分布时，常见的 Logit 或 Probit 形式可直接导出。
- 当误差项存在相关或具有共同因子时，可扩展到嵌套选择、随机参数模型等，从而更贴近替代模式与偏好异质性。
2.4 选择概率的推导思路
在效用最大化的决策规则下，个体选择 \(j\) 的事件可写为 \[ U_{nj}\ge U_{ni},\quad \forall i\in C_n. \] 把 \(U_{nj}\) 的随机性引入，并对误差项的分布进行积分或使用封闭解，就得到 \[ P(y_n=j\mid \text{解释变量})=P(U_{nj}\ge U_{ni},\, \forall i). \] 不同模型家族的差异，本质上来自“如何指定 \( \varepsilon_{nj}\) 的分布及其相关结构”，以及 \(V_{nj}\) 的具体函数形式。
3 经典离散选择模型
3.1 二元选择模型（Binary choice）
二元选择指每个个体只有两个互斥选项，常记为 \(y_n=1\) 或 \(y_n=0\)。模型目标是估计在给定解释变量时选择“1”的概率。
3.1.1 逻辑回归与极大似然
在 Logit 框架下，给定可观测效用差异 \(V_n\)，选择概率可写为 \[ P(y_n=1)=\frac{1}{1+\exp(-V_n)}. \] 其中 \(V_n\) 通常是线性形式 \(X_n\beta\) 或其扩展。参数估计通常采用极大似然估计（MLE），即通过最大化似然函数使预测概率与观测结果一致。 Logit 的优点是概率形式简洁，且与最大化效用的随机误差假设相契合。
3.1.2 Probit 与潜变量解释
Probit 模型也源于潜变量思想：定义潜在变量 \(y_n^* = V_n + \varepsilon_n\)，观测到的 \(y_n\) 由阈值规则决定，例如 \(y_n=1\) 当且仅当 \(y_n^*>0\)。若误差项服从标准正态分布，则 \[ P(y_n=1)=\Phi(V_n), \] 其中 \(\Phi\) 为标准正态分布函数。 Probit 的概率形状由正态累积分布决定，通常在某些经验场景下比 Logit 更贴合分布尾部特征，但计算上往往需要数值方法。
3.2 多项选择模型（Multinomial choice）
多项选择指 \(C_n\) 中含有多个选项（至少三类）。目标是估计每个选项的选择概率。
3.2.1 多项Logit（独立性与封闭形式）
多项 Logit（也常称条件 Logit 的常见情形）在误差项独立且满足特定分布假设时给出封闭形式概率： \[ P(y_n=j)=\frac{\exp(V_{nj})}{\sum_{i\in C_n}\exp(V_{ni})}. \] 这种形式的直观含义是：某选项的效用越高，其指数越大，从而在归一化后的概率份额中占比越高。 此外，该模型通常隐含关于替代关系的约束，使得它在某些“相似选项更易互相替代”的情境中可能出现拟合不足。
3.2.2 条件Logit与替代建模要点
当 \(V_{nj}\) 的形式仅依赖于选项层面和个体层面解释变量时，称为条件 Logit 设定。其“替代建模”重点在于：
- 解释变量需要体现选项之间的可比性（如把价格与时间等指标放入 \(V_{nj}\)）。
- 要明确选项集合是否随个体变化，以及未观测到的可选项是否应被视为不可得。
- 在建模上应注意基准类别或归一化处理，使得参数具有可解释性并避免冗余。
3.3 有序选择模型（Ordered choice）
有序选择指类别天然带有顺序，例如满意度低/中/高、教育水平从较低到较高。与多项选择不同，有序模型利用“顺序信息”，通常能提升估计效率。
3.3.1 有序Logit与有序Probit
有序模型常使用累积概率结构。通过潜变量 \(y_n^*\) 与阈值（切点）比较，确定观测类别。例如若阈值为 \(\tau_1<\tau_2<\dots\)，则 \[ P(y_n\le k)=F(\tau_k - V_n), \] 其中 \(F\) 为 Logit 或正态分布函数。 有序 Logit与有序 Probit的差别在于 \(F\) 的分布假设，概率形式相应变化。模型常用于处理“评分型”调查或“等级型”数据。
3.3.2 阈值/切点含义
切点可理解为把潜在连续尺度分割成有序等级的边界。切点的相对大小反映整体上等级划分的位置，而回归系数反映解释变量对潜在变量的影响方向。 在解释上，切点本身不直接等同于某解释变量的效应，但它决定了概率从一个等级到下一个等级“跨越”的难易程度。
4 误差相关与替代结构扩展
4.1 独立性假设及其含义
多项 Logit 的经典形式往往依赖某类误差独立性，从而带来替代模式的限制。该限制在经验上表现为：与某一选项相比，其他选项之间的“替代比例”在给定观测变量后具有结构性约束。 当现实中存在“选择更相似的选项更容易互换”，独立性假设可能导致系统性偏差，因此需要更灵活的相关结构或随机参数设定。
4.2 嵌套Logit（分组替代）
嵌套 Logit 通过把选项分成若干组（nest），允许组内替代比组间替代更强或更弱。其思路是：个体先决定选择哪一个组，再在组内做出具体选择。 这样，模型能更好地反映“同一类产品/同一类交通方式”之间的替代关系，同时仍保持一定程度的计算可行性。
4.3 混合Logit/随机参数Logit（偏好异质性）
随机参数 Logit 允许关键系数在个体之间变化，例如把某些属性系数设为随机变量。其效果是：同样的价格或时间，对不同人群的敏感度可能不同，从而形成更丰富的选择行为。 混合（或随机参数）模型通常更贴近现实的偏好异质性，但估计更依赖数值积分或模拟方法，且需要更多数据来支持参数识别。
4.4 条件相关与更一般的可替代性设定
当替代关系复杂且不适合嵌套分组或简单随机系数时，可以通过更一般的相关结构建模。扩展方向包括：允许误差项在选项间具有特定相关模式，或引入更复杂的效用结构来调整跨选项影响。 这类方法在概念上强调：替代不是均匀发生的，而是受选项相似性与决策结构共同影响。
5 估计方法与模型评估
5.1 极大似然估计（MLE）
MLE 是离散选择模型中最常见的估计策略。给定参数 \(\theta\)，模型可计算每个个体选择到其观测选项的概率 \(P(y_n=j\mid X)\)。似然函数为所有个体概率的乘积（或对数似然的和）。 通过数值优化寻找使对数似然最大（或负对数似然最小）的参数，可得到点估计。
5.2 模型识别与参数约束
识别问题关注“给定数据和模型形式，参数能否被唯一确定”。常见原因包括：变量共线性、基准类别处理不当、或模型中存在不可区分的参数组合。 实践中通常需要设置基准效应、检验多重共线性，并遵循模型理论所要求的约束条件，确保估计结果具有稳定含义。
5.3 标准误与稳健推断（概念层面）
标准误衡量估计的不确定性。由于离散选择模型的似然结构在不同场景下可能存在轻微设定偏离，研究中常结合稳健方差估计或在一定条件下的校正方法来降低推断误差。 即便不深入推导，核心目标是：给出系数统计显著性或置信区间的可靠度量。
5.4 拟合优度与预测评估
模型评估不仅看对数似然或信息准则（如在概念层面可用于比较非嵌套模型），还应检验预测表现。常见思路包括：
- 看训练样本与验证样本的拟合差异，避免只拟合噪声。
- 比较模型对各类别概率的校准情况（例如预测“高概率”的样本是否更常被实际选中）。
- 在多类别场景下使用综合指标而非只看准确率。
5.5 边际效应与弹性（离散变化的解释）
系数在离散选择中往往不是“直接等同于概率变化量”。因此通常计算边际效应：解释变量变化一个单位时，某选项的选择概率如何改变。 弹性进一步描述相对变化幅度，更便于不同量纲或不同属性之间的比较。计算通常基于概率函数对变量的导数或数值差分。
6 解释与量化指标
6.1 系数的直观含义（在不同模型下）
在二元或多项 Logit/Probit 中，系数符号反映效应方向：某解释变量上升使对应效用增大，从而提高与之相关的选择概率。 但“大小”的可比性需要谨慎：由于概率函数是非线性的，系数尺度不等同于概率尺度。通常要借助边际效应或概率变化图来获得更直观的数量解释。
6.2 边际效应的计算框架
边际效应可分为两类常见口径：
- 对某个个体的局部边际效应：在给定 \(X\) 下计算概率对变量的导数。
- 平均边际效应：对样本中个体的局部边际效应求平均，从而得到更稳定的总体量化。
在多项模型中，选择概率之间存在联动：提升某选项概率往往会相应压低其他选项概率之和为 1 的约束关系，因此边际效应通常以“某选项的变化”与“其他选项的相反变化”一起解释更清楚。
6.3 概率变化的可视化与解释
为便于交流，研究常用图展示：当某解释变量从低值到高值变化时，某选项的预测概率曲线如何移动。 可视化的价值在于把非线性关系“翻译”成易理解的趋势；同时也能帮助检查模型是否产生了不合逻辑的概率漂移（例如某变量增加却导致所有概率同时上升之类的异常在合计意义上会被及时发现）。
6.4 反事实预测（替换属性情景）
反事实预测指设定一个“如果属性改变会怎样”的情景。比如把价格降低、把出行时间缩短、把产品品质提高，然后使用估计到的模型重新计算选择概率。 这种分析常用于政策评估与方案比较，但应强调它基于模型假设与数据范围：反事实变化能否真实发生、是否会引发其他行为的二阶反应（如需求规模变化），取决于研究设计与可得数据。
7 数据与应用设计
7.1 数据结构：截面、面板与重复选择
离散选择数据可分为截面（同一时点记录）与面板（同一主体多期记录）。若同一人对多个场景做出重复选择，还可能出现“相关误差”与“个体固定差异”的问题。 在面板或重复选择中，需考虑个体层面未观测因素可能导致的误差相关，从而选择合适的估计策略或在模型中显式处理。
7.2 选择集构造与“不可选项”处理
选择集并不总是与模型中的所有理论选项一一对应。个体可能由于地点、资格、信息限制而无法接触某些选项。 因此需要明确：是把不可选项从选择集移除，还是在数据中以不可得方式标记。错误的选择集设定会把不可观测约束混进误差项，影响参数估计与解释。
7.3 样本选择与观测偏差的风险
样本选择问题可能来自两方面：
- 谁被纳入样本（例如调查只覆盖某类群体）。
- 谁被观测到（例如只对完成某步骤的人记录后续选择）。
在离散选择研究中，这类偏差可能导致估计对象不再代表目标总体。实践上常使用设计层面的控制或统计层面的校正思路，但具体做法依研究数据而定。
7.4 缺失数据与变量工程（概念性）
缺失可能出现在解释变量或结果变量上。变量工程涉及：标准化、分箱、构造交互项、处理离散化属性等。 需要注意缺失机制与处理方法是否一致：简单删除可能减少样本并引入偏差，填补方法则需要与变量含义匹配，否则可能制造虚假相关。
8 应用领域（社会科学视角）
8.1 交通与出行方式选择
交通场景常研究个体在驾驶、公共交通、步行、自行车等方式之间的选择。解释变量通常包含出行时间、费用、换乘次数、舒适性或通达性指标。 此类模型可用于比较方案（如改善公交频率或修建道路）对出行方式份额的潜在影响。
8.2 健康与医疗选择
健康相关选择可包括是否就医、选择不同医疗服务类型或支付方式等。解释变量可能涵盖健康状况、可及性、费用结构、以及家庭资源约束。 由于健康信息可能存在较多不可观测因素，误差相关与偏好异质性扩展往往比基础模型更能贴近现实。
8.3 市场营销与产品选择
在市场中，离散选择常用于估计顾客对品牌、套餐或渠道的偏好。解释变量可以包括价格、促销强度、产品特征、口碑或品牌效应。 通过概率预测与反事实模拟，企业能够评估改变属性（例如降价或提升规格）对销量结构的可能影响。
8.4 教育与职业/专业选择
教育与职业选择涉及课程、专业、学校或岗位类别。模型可用于研究不同家庭背景与个人特征对选择倾向的影响。 在有序选择中（如教育层级），有序结构有时能更自然地描述等级含义；在多项选择中，则需合理设定选择集与可得性。
8.5 行为经济学中的选择建模
行为经济学强调偏好与决策过程的复杂性。离散选择模型可作为刻画选择概率的基础工具，再结合注意偏差、信息处理或习惯性因素等扩展变量。 在这种用法下，重点在于把理论动机转化为可检验的变量设计与可解释的概率结构。
9 常见问题与局限
9.1 独立性/IIA等假设带来的偏差
当基础多项 Logit 的替代约束与现实不一致时，模型可能对相似选项之间的替代关系估计不足或过度。 在诊断与比较中，常考虑改用嵌套或更灵活的相关结构，或通过随机参数提升对异质性的刻画。
9.2 效用测量与可观测变量遗漏
效用包含不可观测部分，因此解释变量遗漏会把影响“搬运”到误差项里。若遗漏变量与已包含变量相关，可能造成偏差。 研究中可通过增加合理变量、进行稳健性检验或采用更充分的可观测机制来降低风险，但完全消除困难往往不现实。
9.3 计算复杂度与收敛问题
复杂模型（如随机参数或高维相关结构）可能带来更高的计算负担，并在优化过程中出现收敛困难。 实践中需要良好的初值、合适的优化策略、以及对数值稳定性的处理；否则估计结果可能受算法细节影响较大。
9.4 模型过拟合与可解释性权衡
模型越复杂，可拟合性越强，但也可能在数据噪声上“学得太多”。过拟合会降低预测的外推能力。 因此需要在拟合指标与可解释性之间折中：既要满足经验拟合，又要确保变量系解释与预测用途一致。
10 相关模型与延伸
10.1 多项离散选择的其他家族
除经典 Logit/Probit 之外，还有多种离散选择模型家族用于处理不同数据特征与结构假设。它们可能在误差分布、相关结构、或效用参数化方式上有所差别。 选型通常依赖研究问题、数据规模、替代关系表现以及可计算性。
10.2 与机器学习概率分类的关系（对照视角）
从形式上看，离散选择模型与机器学习分类器都能输出类别概率；但两者在定位上不同：
- 离散选择模型通常强调结构化的效用解释与变量含义。
- 机器学习概率分类更侧重预测性能与泛化，解释可能更弱或更依赖后处理解释工具。
两者也可在实践中互相借鉴，例如用机器学习做特征工程，再把关键结构放回到可解释的选择模型中。
10.3 离散选择的层级/贝叶斯扩展（概念层面）
层级或贝叶斯扩展通过引入先验分布与层级结构来处理小样本、参数不确定性与复杂异质性。 概念上，贝叶斯方法能更自然地表达“参数可能的合理范围”，并在某些情况下提升稳定性；但计算通常依赖采样或近似推断，且需要设定先验与评估敏感性。
10.4 与结构化模型、均衡模型的衔接（概念层面）
离散选择模型可作为更大结构模型中的行为模块。例如在产业组织或市场均衡框架下，个体选择概率与供给端行为共同决定市场结果。 此类衔接通常要求把选择概率转化为需求或份额，并进一步与价格、供给或策略形成系统联立，从而用于反事实政策与反事实市场模拟。
11 小型“梗”式提示（研究者常见误会）
11.1 “系数越大就一定更偏好吗？”
在离散选择里，系数大小本身不等同于“偏好更强”。由于概率是非线性的，系数大小会受到变量尺度、模型类型与其他参数共同影响。更稳妥的做法是看边际效应或概率变化幅度，再讨论“偏好强弱”的实际含义。
11.2 “概率能直接等同于因果吗？”
模型输出的是在给定解释变量与误差结构假设下的选择概率，并不自动等同于因果效应。要谈因果通常需要额外识别策略，例如处理混杂、使用合适的实验或工具变量思想，或满足更强的结构假设。 把概率当因果是常见“口头超前”，需要在论文中明确边界。
11.3 “替代建模不就是换个回归吗？”（温和纠偏）
替代建模关注的是“不同选项之间如何相互挤占选择概率”的结构，而不是简单替换为另一种回归方程。嵌套结构、相关误差或随机参数都在改变选择概率的生成机制，因此它影响的不是“表达形式”，而是“决策过程假设”。