结果解读_潜分类logit模型的STATA应用及结果解读

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：

个人特征，其系数为

；

是方案特征。

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