离散选择模型在市场研究中的应用

离散选择实验应用于2型糖尿病患者治疗偏好的文献分析作者：刘世蒙李顺平杨毅唐程翔陈英耀来源：《中国药房》2020年第20期摘要目的：为2型糖尿病患者的临床治疗和药物经济学研究提供参考。

方法：以“离散选择”“糖尿病”“Discrete choice”“Discrete ranking”“Conjoint analysis”“Diabetes mellitus”“Type2”“Type 2 diabetes mellitus”“Non-insulin-dependent diabetes mellitus”等为关键词，收集自建库起至2019年12月在中国知网、万方、PubMed、Web of Science等国内外数据库中发表的中英文文献，从属性与水平、DCE选项集、数据质量、样本量、计量经济学分析以及患者偏好结果等6个方面对离散选择实验（DCE）在2型糖尿病患者治疗偏好领域中的应用情况进行梳理总结。

结果与结论：共检索到相关文献295篇，其中有效文献30篇。

药物管理、血糖控制和低血糖事件是被纳入次数较多的属性;通常采用D-高效设计、D-最优设计或正交设计生成DCE选项集;问卷数据质量可通过问卷内部效度进行检验;样本量一般使用拇指法则进行计算;条件Logit模型、多项Logit模型以及混合Logit模型是最常使用的数据分析模型。

相较于轻微的低血糖事件，患者的治疗选择更容易受血糖控制的影响，但当低血糖事件发生在夜间或者程度较重时，患者的治疗偏好往往会发生改变;多数研究纳入了药物管理相关属性，但其并非影响患者治疗偏好的主要因素，且与患者既往服药史密切相关。

DCE已被广泛应用于国外2型糖尿病的相关研究中，但在我国应用不多。

DCE的数据质量较难控制，虽然构建复杂计量经济学模型的趋势在逐渐上升，但多数研究仍未就样本量确定方法、选项集设计原理、质量控制选项等设计细节予以充分的介绍，且部分研究存在属性數量过多、水平间距过大或过小等不足。

Logit模型（Logit model），也译作“评定模型”，“分类评定模型”，又作Logistic regression，“逻辑回归”，是离散选择法模型之一，Logit模型是最早的离散选择模型，也是目前应用最广的模型。

是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。

Logit模型的优点是：
(1)模型考察了对两种货币危机定义情况下发生货币危机的可能
性，即利率调整引起的汇率大幅度贬值和货币的贬值幅度超过了以往的水平的情形，而以往的模型只考虑一种情况。

(2)该模型不仅可以在样本内进行预测，还可以对样本外的数据进
行预测。

(3)模型可以对预测的结果进行比较和检验，克服了以往模型只能
解释货币危机的局限。

Logit模型的缺点是：
虽然Logit模型能够在一定程度上克服模型事后预测事前事件的缺陷，综合了FR模型中FR概率分析法和KLR模型中信号分析法的优点，但是，它只是在利率、汇率等几个主要金融资产或经济指标的基础上预警投机冲击性货币危机，与一般货币危机预警还有所差异。

所以仅用几个指标来定义货币危机从而判断发生货币危机的概率就
会存在一定问题，外债、进出口、外汇储备、不良贷款等因素对货币危机的影响同样非常重要。

离散选择模型在市场研究中的应用黄晓兰沈浩北京广播学院, 北京100024摘要：离散选择模型是一种复杂、非线性的多元统计分析方法和市场研究技术，主要基于消费者对产品/服务的选择来模拟消费者的购买行为。

本文通过手机话费价格研究介绍了离散选择模型的基本原理和操作步骤，以及采用M ultinomial Logit Model计算属性效用值、选择概率和模拟市场占有率，获得价格弹性曲线的方法。

关键词：属性；水平；正交实验设计、选择集、效用值、选择概率、M ultinomial Logit Model离散选择模型（Discrete Choice Model），也叫做基于选择的结合分析模型（Choice-Based Conjoint Analysis），是一种非常有效且实用的市场研究技术。

该模型是在实验设计的基础上，通过模拟所要研究产品/服务的市场竞争环境，来测量消费者的购买行为，从而获知消费者如何在不同产品/服务属性水平和价格条件下进行选择。

这种技术可广泛应用于新产品开发、市场占有率分析、品牌竞争分析、市场细分和价格策略等市场营销领域。

同时离散选择模型也是一种处理离散的、非线性的定性数据的复杂高级多元统计分析技术，它采用Multinomial Logit Model进行数据统计分析。

目前，国内在采用该模型进行市场研究方面还是一项空白，本文主要介绍了离散选择模型的基本原理，选择集实验设计、问卷设计、数据收集和处理、模型分析和结果解释等主要操作步骤，并给出了一个手机市场价格研究的应用案例。

1离散选择模型的基本概念和原理离散选择模型主要用于测量消费者在实际或模拟的市场竞争环境下如何在不同产品/服务中进行选择。

通常是在正交实验设计的基础上，构造一定数量的产品/服务选择集（Choice Set），每个选择集包括多个产品/服务的轮廓（Profile），每一个轮廓是由能够描述产品/服务重要特征的属性(Attributes)以及赋予每一个属性的不同水平（Level）组合构成。

离散数据拟合离散数据拟合是指根据给定的一组离散数据点，通过某种方法找到一个能够最好地描述这些数据点的函数模型。

离散数据拟合在科学研究、工程应用等领域中具有重要意义。

本文将从离散数据的特点、拟合方法和实际应用等方面进行探讨。

离散数据是指在一定的自变量范围内，对应着一组离散的因变量值。

与连续数据相比，离散数据具有不连续、离散的特点。

离散数据通常由实验、观测或调查得到，以数据点的形式进行记录和表示。

由于离散数据的特殊性，直接通过观察数据点很难获得数据背后的规律和趋势。

因此，离散数据拟合成为了一种常用的数据分析方法。

离散数据拟合的目标是找到一个函数模型，能够最好地描述给定的离散数据点。

常见的离散数据拟合方法包括多项式拟合、指数拟合、对数拟合、幂函数拟合等。

其中，多项式拟合是最常用的方法之一。

多项式拟合通过将离散数据点拟合成一个多项式函数，从而在整个自变量范围内都能够较好地逼近原始数据。

多项式拟合的优点是简单易懂，但在某些情况下可能会出现过拟合的问题。

此外，指数拟合、对数拟合和幂函数拟合等方法也常用于离散数据的拟合，具体选择哪种方法需要根据实际数据和需求来确定。

离散数据拟合在实际应用中有广泛的用途。

例如，在物理实验中，我们往往通过测量一系列离散数据点来研究物理规律。

通过对这些数据进行拟合，我们可以得到一个函数模型来描述物理现象。

在工程领域，离散数据拟合可以用于预测和优化系统的性能。

通过对已有的离散数据进行拟合，我们可以建立一个数学模型，从而对系统的行为进行分析和预测。

此外，离散数据拟合还可以用于金融市场的分析和预测、医学研究中的数据处理等领域。

总结起来，离散数据拟合是一种重要的数据分析方法，可以通过对给定的离散数据点进行拟合，找到一个最佳的函数模型来描述数据的规律和趋势。

离散数据拟合方法多样，常用的方法包括多项式拟合、指数拟合、对数拟合和幂函数拟合等。

离散数据拟合在科学研究、工程应用等领域中具有广泛的应用价值。

离散选择模型HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】第五章离散选择模型在初级计量经济学里，我们已经学习了解释变量是虚拟变量的情况，除此之外，在实际问题中，存在需要人们对决策与选择行为的分析与研究，这就是被解释变量为虚拟变量的情况。

我们把被解释变量是虚拟变量的线性回归模型称为离散选择模型，本章主要介绍这一类模型的估计与应用。

本章主要介绍以下内容：1、为什么会有离散选择模型。

2、二元离散选择模型的表示。

3、线性概率模型估计的缺陷。

4、Logit模型和Probit模型的建立与应用。

第一节模型的基础与对应的现象一、问题的提出在研究社会经济现象时，常常遇见一些特殊的被解释变量，其表现是选择与决策问题，是定性的，没有观测数据所对应；或者其观测到的是受某种限制的数据。

1、被解释变量是定性的选择与决策问题，可以用离散数据表示，即取值是不连续的。

例如，某一事件发生与否，分别用1和0表示；对某一建议持反对、中立和赞成5种观点，分别用0、1、2表示。

由离散数据建立的模型称为离散选择模型。

2、被解释变量取值是连续的，但取值的范围受到限制，或者将连续数据转化为类型数据。

例如，消费者购买某种商品，当消费者愿意支付的货币数量超过该商品的最低价值时，则表示为购买价格；当消费者愿意支付的货币数量低于该商品的最低价值时，则购买价格为0。

这种类型的数据成为审查数据。

再例如，在研究居民储蓄时，调查数据只有存款一万元以上的帐户，这时就不能以此代表所有居民储蓄的情况，这种数据称为截断数据。

这两种数据所建立的模型称为受限被解释变量模型。

有的时候，人们甚至更愿意将连续数据转化为上述类型数据来度量，例如，高考分数线的设置，就把高出分数线和低于分数线划分为了两类。

下面是几个离散数据的例子。

例研究家庭是否购买住房。

由于，购买住房行为要受到许多因素的影响，不仅有家庭收入、房屋价格，还有房屋的所在环境、人们的购买心理等，所以人们购买住房的心理价位很难观测到，但我们可以观察到是否购买了住房，即我们希望研究买房的可能性，即概率(1)P Y =的大小。

mnl概率计算全文共四篇示例，供读者参考第一篇示例：mnl概率计算是一种重要的数学工具，广泛应用于统计学、经济学和其他领域。

MNL全称为多项式Logit模型（Multinomial Logit Model），是一种用于描述离散选择的概率模型。

在这个模型中，我们假设每个选择都有一个潜在的效用，而这些效用与选择的概率之间呈指数关系。

MNL概率计算的理论基础是Maxwell-Boltzmann分布和Gibbs 分布，在实际应用中，我们通常使用Logit函数来表征选择的概率。

Logit函数是一个S形函数，它可以将任意实数映射到(0,1)之间的概率值。

MNL模型的核心思想是，一个选择的概率与其效用值成正比，而效用值与概率之间呈线性关系。

在实际应用中，MNL模型常用于描述不同选择之间的竞争关系。

在市场调查中，我们可以使用MNL模型来分析消费者在不同产品之间的选择行为。

通过估计不同选择的概率，我们可以评估市场的竞争程度，以及消费者对不同产品的偏好程度。

MNL概率计算的一个重要应用是Logit回归分析。

Logit回归是一种用于估计离散选择模型的方法，它可以帮助我们揭示影响不同选择的因素。

通过Logit回归分析，我们可以确定哪些变量对选择概率的影响最大，从而为决策提供依据。

另一个重要的应用是强化学习（Reinforcement Learning）。

在强化学习中，我们希望通过不断试错来学习最优的决策策略。

MNL概率计算可以帮助我们建立一个选择模型，从而指导智能体在不同情境下做出最合适的决策。

MNL概率计算是一种强大的数学工具，它在多个领域都有着广泛的应用。

通过分析不同选择的概率，我们可以更好地理解人类行为和市场规律，为决策提供科学依据。

希望未来能够有更多的研究和应用将MNL概率计算推向新的高度，为社会发展做出更大的贡献。

第二篇示例：MNL概率计算是一种统计学中常用的方法，用于分析福概率分布和数据之间的关系。

该方法的全称是“多项逻辑回归模型”，主要应用于多分类问题。

基于离散选择模型的推荐系统改进算法作者：刘乾超来源：《上海管理科学》2020年第01期摘要：準确地预估用户的点击率，并根据该概率对商品排序以供用户选择在推荐系统领域有着重要的意义。

推荐系统中常用的因子分解机等机器学习模型一般只考虑用户选择单个商品的概率，忽略了候选商品之间的相互影响，离散选择模型则考虑将商品候选集作为整体进行考虑。

提出了使用深度学习模型来改进离散选择模型，模型使用相对特征层、注意力机制等网络结构帮助深度学习模型进行不同商品间的特征比较，研究结果表明引入离散选择模型的深度学习模型表现优于梯度提升决策树、因子分解机等模型。

关键词：推荐系统;离散选择模型;注意力机制中图分类号： C 93文献标志码： AAbstract： It is of great significance in the field of recommendation system to accurately estimate the click-through rate of users and sort the products according to the probability for users to choose. Machine learning models such as factorization machine commonly used in recommendation systems generally only consider the probability that users choose a single product， ignoring the interaction between candidates， while discrete choice model consider the candidates as a whole. In this paper， a deep learning model is proposed to improve the discrete choice model. The model uses network structures such as relative feature layer and attention mechanism to help deep learning model to compare the features of different commodities. The results show that the performance of the deep learning model with discrete selection model is better than that of the gradient boosting decision tree and the factorization machine.Key words： recommender systems; discrete choice models; attention mechanism推荐系统广泛应用在电子商务、信息媒体、金融科技等多个领域，准确地给用户推荐其喜欢的内容，能给用户、企业双方带来收益。

第五周：离散选择模型分析技术——每周一讲多变量分析离散选择模型（Discrete Choice Model），也叫做基于选择的结合分析模型（Choice-Based Conjoint Analysis,CBC），是一种非常有效且实用的市场研究技术。

该模型是在实验设计的基础上，通过模拟所要研究产品/服务的市场竞争环境，来测量消费者的购买行为，从而获知消费者如何在不同产品/服务属性水平和价格条件下进行选择。

这种技术可广泛应用于新产品开发、市场占有率分析、品牌竞争分析、市场细分和价格策略等市场营销领域。

同时离散选择模型也是一种处理离散的、非线性的定性数据的复杂高级多元统计分析技术，它采用Multinomial Logit Model进行数据统计分析。

根据Sawtootch公司调查显示：在市场研究中，CBC方法正在快速增长，应用比传统的结合分析（联合分析）应用更多！离散选择模型主要用于测量消费者在实际或模拟的市场竞争环境下如何在不同产品/服务中进行选择。

通常是在正交实验设计的基础上，构造一定数量的产品/服务选择集（Choice Set），每个选择集包括多个产品/服务的轮廓（Profile），每一个轮廓是由能够描述产品/服务重要特征的属性(Attributes)以及赋予每一个属性的不同水平（Level）组合构成。

例如消费者购买手机的重要属性和水平可能包括：品牌（A，B，C）、价格（1500元，1750万元，2000元）、功能（短信，短信语音，图片短信）等，离散选择模型是测量消费者在给出不同的产品价格、功能条件下是选择购买品牌A，还是品牌B或者品牌C，还是什么都不选择。

离散选择模型的一个重要的假定是：消费者是根据构成产品/服务的多个属性来进行理解和作选择判断；另一个基本假定是：消费者的选择行为要比偏好行为更接近现实情况。

它与传统的全轮廓结合分析（Full Profiles Conjoint Analysis）都是在全轮廓的基础上采用分解的方法测量消费者对某一轮廓（产品）的选择与偏好，对构成该轮廓的多个属性和水平的选择与偏好，用效用值（Utilities）来描述。

统计学在市场分析中的应用统计学是研究数据的收集、整理、分析和解释的一门科学，广泛应用于多个领域。

而市场分析作为现代商业决策的重要工具，依赖于统计学提供的数据支持与决策依据。

在这篇文章中，我们将深入探讨统计学在市场分析中的多方面应用，包括市场调研、消费者行为分析、产品定价策略以及销售预测等。

市场调研市场调研是市场分析的第一步，旨在获取并分析有关市场的信息。

通过收集相关数据，企业可以更好地理解目标市场的需求、竞争情况及消费趋势。

统计学在这一过程中的应用尤为关键。

数据收集市场调研通常包括定性和定量两种研究方法。

定性研究如焦点小组讨论和访谈主要用于了解消费者的感受和动机，而定量研究则通过问卷调查等方式获取可量化的数据。

在定量研究中，统计学帮助设计调查问卷并确定样本规模。

利用随机抽样方法，能够确保所选样本具有代表性，从而使得调研结果更具可信度。

例如，当某公司希望了解年轻消费者对其新产品的看法时，可以运用分层抽样技术，对不同年龄段进行分层取样，以确保各个年龄阶层的观点都得到反映。

数据分析在数据收集后，数据分析成为市场调研的重要环节。

通过使用统计软件，如SPSS或R语言，企业能够对问卷数据进行描述性统计和推断性统计分析。

描述性统计可以帮助企业概括数据特征，如均值、标准差和分布图，从而揭示出消费趋势。

而推断性统计则能够通过假设检验检查两组或多组之间的差异（例如，不同性别或年龄段的消费习惯是否存在显著差异）。

消费者行为分析理解消费者的购买行为对于企业制定有效的市场策略至关重要。

在这一领域，统计学所提供的方法论可以帮助识别消费者偏好及购买模式。

关联规则学习关联规则学习是一种重要的数据挖掘技术，通过发现数据库中的有趣关系来分析消费者行为。

例如，零售商可以应用Apriori算法找出顾客购买某件商品时，有多大概率会同时购买另一件商品。

这种信息对于交叉销售（cross-selling）策略十分有用，可以提高销售额及客户满意度。

市场研究中的多变量分析技术很多人在从事市场研究和经营分析的时候，特别是定量研究方法需要用到统计分析的时候，到底应该采用哪种分析方法，或者应该用哪种方法更适合这个分析，比较困惑。

下面我来总结一下，如何选择多变量统计分析方法来适应研究的需要！请大家记住一句话：选择什么样的多变量统计分析方法，主要是根据变量的测量尺度决定的，更明确的说是根据因变量的测量尺度和类型决定的！这就要求研究者能够在从事项目前明确：研究设计和假设，确认因变量，以及如何测量，测量尺度达到什么等级等要素。

首先，市场研究公司不断提升自己的竞争力，希望有能力提供更好的市场洞察力，随着研究机构的经验积累，不光是就数据说话，更应帮助解决企业的实际问题，提供更好的研究咨询和解决方案；2. 另一方面，随着技术的发展，采集数据方法更加多样，从传统的面访到在线调查，甚至也进入商业自动化生成的数据分析；3. 再有，从我的感觉大部分市场研究公司都采用SPSS统计分析软件，部分机构因为特定的客户需求采用宝洁要求的软件，现在其实是SPSSMR产品，当然，SPSS软件版本更新太快了，我从3.0DOS版本开始使用，现在都18版本了，而且支持了中文，其实从我个人角度看，SPSS软件的发展更新进程就是从传统的社会科学研究不断向市场领域迈进，现在很多案例都是市场研究和经营分析的内容，甚至纳入了更多的建模技术，也直接指向了数据挖掘和数据库营销，比如RFM模型，直销模型等都有了。

（SPSS18直销模块）我们看到除了SPSS软件，还有就是SAS软件，当然懂得SAS的人不多，但特殊情况下SAS更有效，比如，在进行实验设计，非标准的正交实验设计，Conjoint Analysis等市场研究核心技术方面，SAS更灵活些！4. 当然，除了我们看到的SPSS和SAS软件以外，要真正在市场研究中利用好各种分析和模型技术，还需要掌握各种专业软件工具。

例如：· AMOS/Lisrel软件：主要用于顾客满意度研究，品牌驱动研究等；· ACA/CBC/VCA软件：主要用于结合分析（联合分析）conjoint analysis以及离散选择模型等，产品开发等都经常用这些软件；· Ucinet/Netdraw软件：是社会网络分析工具，主要用于关系研究，开放题和半开放题、相似性和差异性矩阵等都可以用； · Clementine/Miner软件：主要是数据挖掘技术；· Xcelsius软件：动态报表和分析报告软件，非常炫的Dashbaord仪表盘工具；·其它工具：Yed、Visio、SmartDraw、Mindmanager、Swiff Chart、AnswerTree[font=宋体]、DecisionTime&Whatif等等！除此之外，市场研究的定量分析更关注解决非数理化数据的分析以及可视化技术，还有就是市场研究模型技术！我们还是回到市场研究的多变量分析技术吧！这里的多变量分析技术主要是指统计分析和数据挖掘技术：·描述性统计分析技术·频数分析：主要用于数据清洗，调查结果的Q&A，各种统计量、基本报告数据源等·数据探查：探索性分析主要从统计的角度查看统计量来评估数据分布，主要用于异常值侦测、正态分布检验、数据分段、分位点测算等·交叉表分析：交互分析是市场研究的主要工作，大部分市场研究分析到此为止。

第五章离散选择模型在初级计量经济学里，我们已经学习了解释变量是虚拟变量的情况，除此之外，在实际问题中，存在需要人们对决策与选择行为的分析与研究，这就是被解释变量为虚拟变量的情况。

我们把被解释变量是虚拟变量的线性回归模型称为离散选择模型，本章主要介绍这一类模型的估计与应用。

本章主要介绍以下内容：1、为什么会有离散选择模型。

2、二元离散选择模型的表示。

3、线性概率模型估计的缺陷。

4、Logit模型和Probit模型的建立与应用。

第一节模型的基础与对应的现象一、问题的提出在研究社会经济现象时，常常遇见一些特殊的被解释变量，其表现是选择与决策问题，是定性的，没有观测数据所对应；或者其观测到的是受某种限制的数据。

1、被解释变量是定性的选择与决策问题，可以用离散数据表示，即取值是不连续的。

例如，某一事件发生与否，分别用1和0表示；对某一建议持反对、中立和赞成5种观点，分别用0、1、2表示。

由离散数据建立的模型称为离散选择模型。

2、被解释变量取值是连续的，但取值的范围受到限制，或者将连续数据转化为类型数据。

例如，消费者购买某种商品，当消费者愿意支付的货币数量超过该商品的最低价值时，则表示为购买价格；当消费者愿意支付的货币数量低于该商品的最低价值时，则购买价格为0。

这种类型的数据成为审查数据。

再例如，在研究居民储蓄时，调查数据只有存款一万元以上的帐户，这时就不能以此代表所有居民储蓄的情况，这种数据称为截断数据。

这两种数据所建立的模型称为受限被解释变量模型。

有的时候，人们甚至更愿意将连续数据转化为上述类型数据来度量，例如，高考分数线的设置，就把高出分数线和低于分数线划分为了两类。

下面是几个离散数据的例子。

例5.1 研究家庭是否购买住房。

由于，购买住房行为要受到许多因素的影响，不仅有家庭收入、房屋价格，还有房屋的所在环境、人们的购买心理等，所以人们购买住房的心理价位很难观测到，但我们可以观察到是否购买了住房，即我们希望研究买房的可能性，即概率(1)P Y =的大小。

stata在经济学的应用
Stata是一种常用的统计软件，尤其在经济学领域有广泛应用。

以下是在经济学中常见的Stata应用场景：
1. 统计分析：Stata提供了广泛的统计分析功能，包括描述性
统计、回归分析、方差分析、时间序列分析等。

经济学研究者可以利用这些功能对经济数据进行分析和解释。

2. 经济计量模型估计：Stata支持各种经济计量模型的估计，
如线性回归模型、面板数据模型、离散选择模型等。

研究者可以利用Stata对经济学理论模型进行参数估计和假设检验。

3. 面板数据分析：面板数据是经济学研究中常见的一种数据类型，Stata提供了针对面板数据的专门工具和命令，如固定效
应模型、随机效应模型、差分估计等。

研究者可以利用这些工具对面板数据进行深入分析。

4. 时间序列分析：时间序列数据在经济学研究中具有重要地位，Stata提供了丰富的时间序列分析功能，如单位根检验、协整
检验、ARCH/GARCH模型等。

研究者可以利用这些工具对经
济时间序列数据进行建模和分析。

5. 经济政策评估：Stata提供了计量经济学中常见的政策评估
方法，如断点回归设计、差分中断设计、工具变量法等。

研究者可以利用这些方法来评估不同经济政策对经济变量的影响。

6. 非参数统计方法：Stata也支持非参数统计方法的应用，如
核密度估计、非参数回归等。

这些方法在经济学研究中常用于处理非线性关系和函数形式的问题。

总之，Stata在经济学研究领域具有广泛的应用，可以帮助经济学研究者进行数据分析、计量经济模型估计、经济政策评估等方面的工作。

《产经评论》2020年1月第1期BLP模型发展及其在产业组织应用综述李凯孟一鸣郭晓玲［摘要］产业组织理论问题的实证研究方面，以往简约式方法侧重于分析变量之间的因果关系，难以辨别问题背后的变化机理，从而影响其在政策评估、福利分析中的应用。

近年来，随着新实证产业组织研究范式的兴起，结构模型的研究受到国内外学者的广泛关注，并成为新实证产业组织问题研究的前沿方法。

BLP模型基于供需关系估计需求和成本参数，估计得到的结构参数更加贴近现实，能够进行均衡及福利分析，合理地评估产业政策，其应用是新实证产业组织研究的焦点问题。

通过全面细致地解释BLP模型的原理、方法、发展脉络和研究现状，分析其特点和优势，梳理了BLP模型的应用领域，为产业组织理论问题的实证研究提供方法依据。

最后，根据现有研究提出模型不足以及未来的研究方向。

［关键词］BLP模型；产业组织；需求估计；结构模型；随机系数Logit模型［中图分类号］F062.9［文献标识码］A［文章编号］1674-8298(2020)01-0030-12［DOI］10.14007/ki.cjpl.2020.01.003［引用方式］李凯，孟一鸣，郭晓玲.BLP模型发展及其在产业组织应用综述［J］.产经评论，2020,11(1):30-41.一引言“供需”分析长期以来一直是实证经济学的主要研究内容。

在产业组织理论问题的实证研究中,传统的简约式分析方法侧重于分析变量之间的因果关系，无法清晰地辨别问题背后的变化机理，从而影响其在政策评估、福利分析中的应用。

为了克服简约式分析的缺陷，新实证产业组织的研究范式应运而生。

而在新实证产业组织研究范式中，BLP模型是目前应用最为广泛的研究方法之一，BLP模型可以进行需求侧和供给侧估计，更加明确地回答研究中存在的假设性问题(王子和周雁翎, 2019)山，清楚分析问题的内在机理，并通过反事实分析得出合理的政策评估结果。

早期的实证分析是在不完全竞争市场下进行同质化产品市场的需求和成本函数估计。

Logit模型(Logit model，也译作"评定模型"，"分类评定模型"，又作Logistic regression，"逻辑回归")是离散选择法模型之一，Logit 模型是最早的离散选择模型，也是目前应用最广的模型。

是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。

Logit模型（Logit模型，也翻译为“评估模型”，“分类评估模型”，也称为Logistic回归，“ logistic回归”）是离散选择方法模型之一，属于多元分析，社会学，生物统计学，临床，定量心理学，计量经济学，市场营销等统计实证分析的常用方法。

物流分配公式P（Y =1│X= x）= exp（x'β）/（1 + exp（x'β））通常通过最大似然来估计参数β。

Logit模型是最早的离散选择模型，也是使用最广泛的模型。

Logit模型首先由Luce（1959）根据IIA特性得出。

Marschark （1960）用最大效用理论证明了Logit模型的一致性。

Marley（1965）研究了模型形式与非确定效用项的分布之间的关系，证明了极值分布可以推导模型的Logit形式。

McFadden（1974）反过来证明，具有Logit形式的模型的非确定性项必须服从极值分布。

从那时起，Logit模型已在心理学，社会学，经济学和交通运输领域得到广泛使用，并且衍生并开发了其他离散选择模型以形成完整的离散选择模型系统，例如Probit模型和NL模型（Nest Logit模型）。

），混合Logit模型等。

该模型假定单个n对选择分支j的效用包括两部分：效用决定因素项和随机项：Logit模型得到广泛应用的原因主要是由于其概率表达式的显着特征，模型的快速求解速度以及便捷的应用。

当模型选择集不发生变化时，仅当每个变量的级别发生变化时（例如行进时间发生变化），就可以轻松解决新环境中每个选择分支的概率。