1 概念与基本思想
随机效用模型（Random Utility Model，RUM）用于刻画个体在若干备选项之间的选择行为。其关键区别在于：效用并不被当作完全可观测的确定量，而是包含随机波动。因而，即便可观察条件相同，个体的选择结果仍可能出现差异。
1.1 随机效用的效用分解
在 RUM 中，对每一次决策、每一个候选项，通常可以写出该候选项的效用为“确定性部分 + 随机扰动”。确定性部分由数据中可获得的信息驱动；随机部分代表难以测量或难以完全建模的因素。
1.1.1 确定性成分（可观察因素）
确定性成分一般记为可由解释变量构建的函数，常见例子包括：价格、时间成本、个体特征（收入、偏好类别、人口统计变量）、环境因素（交通条件、区域属性）等。该部分的作用是将“系统性差异”映射为效用差异。
1.1.2 随机成分（不可观察因素）
随机成分刻画模型未能或难以直接观测的影响来源。它可以理解为：即使同一个人面对相同选项，在不同场景或不同时间也可能受到情绪、信息不完全、临场偏好变化等影响。由于这些因素难以完全进入模型，因此以随机误差项形式并入。
1.2 选择规则与概率化表达
RUM 将“选择”建立在最大化规则上：个体在所有候选项中选择效用最高者。但由于效用含随机项，最终得到的是选择“概率”而非确定的选择结果。
1.2.1 最大效用原则
对于某次决策，若候选集合为 \(C\)，个体选择 \[ j=\arg\max_{i\in C} U_i \] 其中 \(U_i\) 为候选项 \(i\) 的随机效用。该规则体现了“偏好强度由效用大小体现”的思想。
1.2.2 从效用到选择概率
当 \(U_i\) 含随机扰动时，比较事件如 \(U_j \ge U_i\) 变成随机事件。于是“选择 \(j\) 的概率”可写为 \[ P(\text{选 } j)=P(U_j \ge U_i,\ \forall i\in C) \] 要得到显式概率，通常需要进一步规定误差项的分布结构，从而将概率计算转化为分布比较或积分问题。
1.3 与确定性效用模型的区别
与把效用当作确定函数的模型相比，RUM 允许同一组可观察变量导致不同选择。它把“不可预测性”形式化，避免把所有差异都误归因于模型变量缺失或测量误差。
1.3.1 含噪声决策的动机
现实决策常受到未观测因素影响，如个体对信息的理解差异、短期状态变化、未被数据采到的成本或风险感知等。若使用确定性效用模型，这些因素会以残差方式存在但难以解释其结构；RUM 则直接在效用层面引入随机性。
1.3.2 可识别性与可估计性
RUM 的随机结构使得参数通过选择频率与概率之间的对应关系来估计。通过对误差分布与结构假设的设定，模型可以产生可与数据对齐的选择概率，从而实现参数估计与统计检验。但这也带来识别条件与假设强度的权衡，后续章节将进一步讨论。
2 数学表述与模型结构
本节给出 RUM 在离散选择情境中的常用数学骨架，并说明误差项建模与选择概率推导的基本思路。
2.1 基本离散选择框架
2.1.1 选择集合与候选项
设个体集合为 \(n\)，每个个体在一次决策中面临候选集合 \(C_n\)。候选项可以是交通方式、品牌、课程路径或其他离散选项。集合是否相同、每个候选项是否对所有个体可行，取决于具体研究问题与数据可得性。
2.1.2 个体效用函数
通常写出候选项 \(i\) 对个体 \(n\) 的效用为 \[ U_{ni}=V_{ni}+\varepsilon_{ni} \] 其中 \(V_{ni}\) 是确定性部分（由解释变量构成），\(\varepsilon_{ni}\) 为随机误差。模型通过比较各 \(U_{ni}\) 的大小决定选择。
2.2 随机误差项建模
误差项不仅影响概率计算，也决定模型能否表达常见现象，例如替代模式、相关性或个体间异质性。
2.2.1 独立同分布假设的角色
在一些基础模型中，常假设误差项在候选项之间独立且同分布（或至少同分布于某一结构）。该假设可简化概率表达，并导出常见闭式形式。其优点是计算与估计方便；缺点是对现实相关性刻画可能不足。
2.2.2 相关误差与替代模式
当候选项之间存在未观测的共同吸引或排斥因素，误差项可能相关。相关结构能更自然地表现替代模式：例如两类风格相近的产品可能比与差异更大的产品更容易互相替代。通过引入相关性或结构化误差，RUM 可更贴近经验规律。
2.3 选择概率的推导思路
2.3.1 基于分布的积分/比较
选择概率来自事件比较的概率。一般做法是：在规定 \(\varepsilon_{ni}\) 的联合分布后，把 \[ P(U_{nj}\ge U_{ni}, \forall i) \] 转化为对误差分布的积分或多维概率计算。若分布选择得当，可能得到解析形式；若较复杂，则需数值方法或近似。
2.3.2 概率形式的解释
得到的选择概率 \(P_{nj}\) 通常具有“随解释变量变化而改变”的性质。模型解释上，概率变化可反映“在不确定因素存在时，某选项相对更可能被选择”。同时，概率并不等同于确定的偏好排序，它是随机决策机制下的结果。
3 典型分布假设与常见派生模型
RUM 的“可计算性”和“可解释性”很大程度上取决于误差项分布的选择。本节介绍一些常见假设及其对应派生形式。
3.1 极值分布假设下的模型
3.1.1 多项Logit与其直观含义
当误差项采用特定的极值分布（常见为独立同分布的极值 I 型分布）时，离散选择概率可得到多项 Logit 的闭式表达。其直观含义是：每个候选项的随机扰动独立且服从特定极值结构，于是效用差异映射为概率比的指数形式。该形式因计算便利而在实务中广泛使用。
3.1.2 条件独立的含义与限制
在这一类模型中，常出现“候选项之间独立”的结构含义：在给定解释变量的条件下，概率的相对结构满足特定约束。若真实世界中存在较强的相关替代（例如同一“层级/类别”内部更易相互替代），仅用基础 Logit 可能出现拟合不足，需要引入更灵活的结构。
3.2 正态误差与混合选择
3.2.1 Probit类的建模视角
若误差项服从多元正态或可由正态框架近似，选择概率通常无法像 Logit 那样给出简单闭式，但可用数值积分或模拟估计得到概率。Probit 类模型常被用于表达更复杂的误差相关结构，并在某些应用中具有更好的拟合潜力。
3.2.2 混合Logit/随机系数的直观
为了刻画个体间偏好的异质性，常采用“随机系数”思想：即解释变量的系数在个体或决策层面随机变化。由此产生的模型常被称为混合 Logit。直观上，两个相同表征条件下，不同个体可能对关键属性赋予不同权重，从而造成概率分散与更丰富的替代行为。
3.3 误差项相关的扩展
3.3.1 嵌套选择结构（Nest）
嵌套 Logit 将候选项分组：个体先在某一“巢”内做选择，再在巢内选择具体候选项。这样，误差相关性被结构化地限定在组内，从而缓解基础模型对替代模式过强或过弱的问题。该结构适合候选项存在层级相似性的情形。
3.3.2 多层级相关与替代模式
在更复杂的情况下，可能存在多层级类别或多个来源的相关性。扩展模型通过允许不同层级的误差相关程度差异，来更好刻画真实的替代路径。例如，产品可能先在“渠道偏好”层面决定，再在“品牌风格”层面细化选择。
4 估计方法
RUM 的核心目标是：在给定模型结构与误差假设后，利用观测选择数据推断参数，并评估模型拟合与统计显著性。
4.1 参数估计的目标
4.1.1 极大似然思想
设观测数据包含个体的选择结果。模型给出每次选择发生的概率 \(P_{n,i}\)。在极大似然框架下，估计参数使得数据在该参数下的联合发生概率最大。该原则强调“让观察到的选择尽可能由模型解释”。
4.1.2 似然函数与对数似然
若个体 \(n\) 选择了候选项 \(j_n\)，则该观测的概率为 \(P_{n,j_n}\)。似然函数通常为所有观测概率的乘积；为了数值稳定性，实践中多使用对数似然，即求和形式，便于优化。
4.2 计算策略
4.2.1 数值优化与收敛性
在多数扩展模型中，选择概率可能需要数值积分或模拟，导致似然函数更复杂。估计过程依赖数值优化算法，关键问题包括收敛性、局部极值、梯度或近似计算的稳定性。实践中常需要良好的初值、约束处理与诊断检查。
4.2.2 模型规模与计算成本
候选项数量、随机系数维度、误差相关结构的复杂度都会显著增加计算成本。尤其在混合或嵌套结构中，积分或模拟次数会影响效率与精度。因此需要在模型表现与计算可行性之间做出平衡。
4.3 标准误与模型检验
4.3.1 置信区间与显著性
估计得到参数后，需计算标准误并构造置信区间。显著性检验通常基于参数估计的标准误与近似分布。需要注意，复杂模型的标准误计算可能对样本量与稳健性设定敏感。
4.3.2 拟合优度与替代检验
常见检验包括对数似然相关指标、信息准则或比较更简单模型与更复杂模型的改进程度。替代检验的思路是：若引入额外参数能显著提升解释能力，就可能值得采用更丰富的结构；反之则应考虑简化以降低过拟合风险。
5 解释与应用
RUM 不仅用于预测选择结果，也用于解释属性如何影响选择概率，并在多种领域提供可对比的结构化分析。
5.1 边际效应与弹性
5.1.1 概率的变化量解释
模型估计得到的是效用系数与概率结构，直接系数大小并不总能直观说明“概率变化有多大”。因此常计算边际效应：当某解释变量微小变化时，选择某候选项的概率变化量。该量更贴近政策或商业实践中的“变化幅度”。
5.1.2 直接/交叉效应的含义
对多项选择而言，某变量不仅影响其自身候选项的概率，也可能通过替代关系影响其他选项概率。若某变量上升使得选项 A 概率上升，同时选项 B 概率下降，这正体现了直接效应与交叉效应的区分。用交叉效应可以更完整地理解替代结构。
5.2 模型诊断与替代性分析
5.2.1 替代模式的识别
通过比较不同模型的预测表现、诊断相关替代是否被捕捉到，可以评估替代模式。若基础结构假设与数据中观察到的类别替代显著不一致，可能需要嵌套结构或更灵活的误差相关设定。
5.2.2 违背假设的迹象
一些常见迹象包括：拟合指标较差、残差结构难以被解释、边际效应表现与常识或经验规律相冲突等。对独立性或分布假设过强时，模型可能出现系统性偏差。诊断通常结合统计检验与稳健性分析进行。
5.3 典型应用场景
5.3.1 交通出行选择
出行研究中，候选项可包括步行、公交、地铁、驾车等。RUM 可将出行时间、费用、换乘难度及个体差异纳入效用，从而估计不同政策（例如票价变化或通行便利度提升）对出行方式选择概率的影响。
5.3.2 市场与品牌选择
在市场营销或计量经济分析中，候选项可能是不同品牌或产品类型。效用中可包含价格、促销强度、品牌特征、渠道位置等。通过概率化结果，可以评估促销改变“偏好结构”还是仅改变短期选择。
5.3.3 招聘/教育路径选择
个体可能在岗位类型、院校专业或培训路径之间做选择。RUM 可把薪资预期、学习成本、地理可达性、学历信号等纳入效用，并考虑未观测因素造成的差异，从而更真实地刻画选择不确定性。
5.3.4 数字产品偏好（偏“梗”的轻度示例：点击≠喜欢，效用里有随机性）
在数字平台中，“点击”往往不等同于“喜欢”。RUM 可以把点击看作随机效用最大化下的选择结果：界面展示位置、当次信息匹配度、注意力状态等可能只部分可观测，从而用随机项吸收。于是同一内容在不同时间或不同用户群中点击概率不同，即使确定性属性相同，也能通过随机波动解释“点击≠喜欢”的现象；进一步的分析也可结合其他行为指标检验效用结构是否合理。
6 理论边界与实践注意事项
RUM 的可用性取决于识别条件、假设强度与数据质量。本节总结常见风险点与注意事项。
6.1 识别与可估计性
6.1.1 参数可辨识的基本条件
模型参数是否能从数据中唯一推断，取决于变量变化是否足够、候选项结构是否提供信息量、以及误差结构是否可区分。若存在强共线性、变量缺乏变化或结构过度简化，可能导致识别困难，表现为估计不稳定或多个参数组合产生近似同样的拟合结果。
6.1.2 归一化与可比性
由于效用只在相对意义上影响选择，模型通常需要对常数项或规模因子进行归一化，确保参数具有可比性。不同模型体系下归一化方式不同，解释时应保持一致，避免把不可辨识的量误解为真实效应强度差异。
6.2 假设的影响
6.2.1 独立性假设的后果
当采用独立结构（或等价的误差独立假设）时，模型对替代关系的约束可能过于刚性，导致预测在某些类别内替代更真实但在模型中被“拉平”。因此，独立性假设不应视为纯技术细节，而应在诊断与模型选择阶段被认真对待。
6.2.2 分布假设是否过强
若真实误差分布与假设差异较大，参数估计可能仍能给出一定拟合，但解释与外推可能受影响。对分布假设过强的风险可通过更灵活的模型族（例如随机系数或更一般的相关结构）或稳健性检验缓解。
6.3 数据与测量问题
6.3.1 选择数据的偏差来源
观测选择数据可能存在采样偏差、可观测候选集不完整、以及“只看到发生了的选择、不知道没被看到的选择”问题。例如某些候选项对个体不可行却仍被纳入，或候选集随条件变化但未被正确建模，都会影响效用刻画与概率估计。
6.3.2 缺失变量与遗漏偏误
如果关键影响因素未进入 \(V_{ni}\)，它们可能进入误差项，从而与解释变量相关，形成遗漏偏误。RUM 的随机项并不自动保证“遗漏就无害”，因此需要在变量选择与数据处理上保持审慎。
7 相关概念与比较
RUM 与多种决策理论、效用理论及更一般的概率建模思想相互关联。本节从比较角度梳理其位置与对应关系。
7.1 与贝叶斯决策/概率效用的关系
7.1.1 概率来自随机误差还是先验
RUM 中的“不确定性”主要通过误差项随机性产生，选择概率体现为对误差实现的概率化结果。贝叶斯决策中的不确定性则常以先验与后验分布的方式表达，核心在于对参数或状态的信念更新。二者都产生概率，但来源与建模逻辑并不相同。
7.2 与效用理论的衔接
7.2.1 期望效用与随机效用的差异
期望效用通常强调在风险或不确定环境下对效用进行期望计算；而随机效用聚焦于在离散选择中把未观测因素视为随机扰动。两者并非互斥：在一些扩展框架中，随机效用可以与风险效用共同出现，但其关键要点是层次不同——一个强调风险下的期望，一个强调决策过程中不可观测偏好的随机性。
7.3 与行动者模型/离散选择生态
7.3.1 作为“分类器式”的选择概率框架
从更抽象的角度看，RUM 可以被视为一种把特征映射到选择概率的“分类器”。其区别在于概率输出来自效用最大化与误差结构，而不是纯粹依赖经验拟合。也因此，RUM 既具备预测能力，也保留了效用解释与结构化检验的可能。