选择实验获得的数据主要通过离散选择模型来完成。离散选择模型中,最主要的是logit模型。
之前已经介绍了二项logit模型回归的STATA实现(有修改),多项logit模型详解,多项logit模型回归系数解读,多项logit模型回归的检验,混合logit模型(随机参数模型)的STATA应用及结果解读。
继续认识潜分类logit模型。
1. 潜分类模型的简介
潜分类模型(latent class model, LC)也是异质性模型,针对随机偏好差异问题而提出的(Greene et al, 2003),能够解释群体层面的异质性,而不需要实现假设参数的分布形式。其处理方式是将选择者划分为几种类别,分别适用不同的系数。需要注意的是,每个选择者的所属类别不是人为划定的,而是由模型自动计算其属于每一类的概率,这与一般的样本细分估计明显不同,也是“潜在性”的体现。
1.1 优点
潜分类模型的优点有两个(王灿等,2015):
1. 可以判断类别之间是否有显著差异,即分类是否有意义;
2. 避免了人为样本细分中分界点的确定较武断的弊端。
1.2 效用函数
潜分类模型中对类别内的估计可以采用多种logit模型方式,本文主要介绍潜分类logit模型。其效用函数为:
1.3 估计方法
在STATA中,潜分类logit模型的参数估计方法是估计方法:EM算法(Expectation-Maximization Algorithm)。EM算法是一种迭代优化策略,由于它的计算方法中每一次迭代都分两步,其中一个为期望步(E步),另一个为极大步(M步),所以算法被称为EM算法。
EM算法受到缺失思想影响,最初是为了解决数据缺失情况下的参数估计问题,其算法基础和收敛有效性等问题在Dempster,Laird