Decision-Based-Design（3.1-3.2）

hello，我想要好好记录一下DBD的学习过程，欢迎各位的友好的讨论。

这是一个初期构建，之后也许会发个人的理解。

Chapter 3 建模消费者偏好和选择的分析技术基础

3.1 建模异构的客户偏好

早期对客户偏好建模的工作可以追溯到市场研究，其中开发了各种分析方法。建模客户偏好的方法可以分为两类：分解方法建模需求，如DCA。它更好地反映了由于个体特征和选择属性的变化而导致的选择行为的变化。此外，与聚合模型不同，已知的分解聚合模型可以获得无偏系数估计值。

DCA的一个主要好处是它能够捕获客户偏好的异构性。

3.2 DCA

3.2.1基础DCA

DCA基于这样一个假设，即个人在从选择集中选择产品时，会寻求最大化他们的个人客户选择效用。DCA识别客户在竞争产品之间做出的选择模式，并产生选择替代方案的概率。由DCA建立的分解需求模型使用个体数据而不是群体平均，这样可以更准确地捕获个体特征的变化。

典型的DCA在以下主要阶段进行： (1)确定客户期望的关键产品属性A和价格范围P；(2)生成调查备选方案，并收集建议设计与竞争产品的定量选择数据。调查替代方案可以通过阶乘设计生成，使用客户期望的属性和价格作为因素。每项调查替代方案与竞争产品一起形成一个选择集。(3)记录客户的社会经济和人口统计背景；(4)创建一个基于选择概率的需求估计模型。

个体的真实效用u是由一个确定性部分W和一个随机扰动组成：

                                                            

i是设计方案，n是客户。

利用效用函数u可以给出选择概率

 

 

DCA程序的优点可以总结为：

(1)该方法不涉及任何排序、加权或归一化，从而避免了与许多多迭代方法相关的悖论。

(2)概率选择解决了与未观察到的味觉变化、未观察到的属性和模型缺陷相关的不确定性。

(3)考虑了相互竞争的产品，能够通过“如果”的情景来分析市场影响和竞争行动。

(4)选择方案不一定共享相同的属性或属性级别（联合分析所需的），扩大了市场测试的可能性，并给市场工程师更多的自由。

(5)DCA中嵌入的客户调查更接近于真实的购买行为，减少了应答者的错误，并支持对许多属性的分析。

3.22 MNL

在MNL模型中，对于产品属性的观察到的客户选择效用函数(W)中的系数(b)在所有客户中都是相同的。然而，异质性是通过考虑社会人口统计学属性S（例如，客户的年龄、收入等）来建模的。

 

MNL模型显示了无关替代（IIA）性质的独立性，这说明了在选项期间的独立替代。比例替代意味着，如果给定的设计方案发生改变（即设计方案的值被修改），使其市场份额增加（或减少），给定设计方案的市场份额增加（或减少）变化将导致选择集中所有其他方案的市场份额的相同百分比减少（或增加）。这可能是可取的，也可能不是可取的，这取决于选择集的组成。

MNL假设 是独立同分布的，且服从Gumbel分布

MNL模型的选择概率函数形式如下：

 

pr是指从客户n可用的选择集Cn中选择备选方案i的概率。

如果顾客不能同等考虑所有替代方案（？）就要用nl

3.23NL模型

NL模型放宽了MNL的比例替代假设，嵌套的Logit（NL）模型通过建模选择方案之间的相关性，整合了不平等竞争的元素。NL技术假设备选方案集可以被划分为子集，称为巢穴集。

 

3.24MXL

MXL与MNL不同的是它allows random taste variation。（？）

 

 

3.25建模异构客户偏好的重要x性

观察w，pr之间的关系，得到客户对某种的特别偏好，这种行为可以被解释为对特定选择有强烈偏好（积极或消极）的个体在设计改变时不像偏好较弱的个体那样太可能改变他们的选择。