📈 economics

A Multinomial Probit Model for Asymmetric Choice Responses

本文提出了一种偏斜多元概率回归（SMNP）模型，该模型利用多元偏正态分布来描述潜在效用以捕捉非对称选择响应，并通过一种新颖的协方差重参数化方法和双重数据增广贝叶斯估计方案，解决了相关的识别与计算挑战。

原作者： Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

发布于 2026-08-12

📖 1 分钟阅读☕ 轻松阅读

原作者： Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图猜猜你的朋友午餐会点什么。你知道他们通常会在汉堡、沙拉或披萨中做出选择。在经济学领域，有一个经典的工具叫做“选择模型”，它试图预测这些决策。几十年来，这个工具最流行的版本一直遵循着一个简单的对称规则：它假设如果某种食物变得稍微便宜一点，人们就会买得更多；如果它变得稍微贵了一点，人们就会买得更少，且减少的幅度完全相等。这就像一个完美的平衡跷跷板；你在一端向下压，另一端就会上升同样的高度。这在很多情况下行得通，但它忽略了一个非常人性化的事实：我们对好消息的反应并不总是与对坏消息的反应相同。有时，涨价感觉像是一个痛苦的耳光，而降价感觉则像是一个温柔的抚摸。我们可能讨厌失去钱的感觉，胜过喜爱节省钱的感觉。

这篇论文深入探讨了这种混乱且不对称的现实。作者们是来自莫纳什大学的研究人员，他们正在解决一个“离散选择”建模中的问题——即用于预测人们如何在不同选项（如不同品牌的洗衣液或番茄酱）之间进行选择的数学方法。他们建立在“潜在效用”的概念之上，这只是一个高级说法，指的是我们无法直接看到、但驱动了人们选择的“隐藏满意度评分”。标准模型假设这些隐藏评分遵循完美的钟形曲线（正态分布），这迫使了那种对称的跷跷板行为。但作者们怀疑，在现实世界中，这些隐藏评分往往是倾斜或“偏态”的，这意味着人们对收益和损失的反应是不对称的。他们想知道：如果我们不再强迫数学模型保持对称，是否能获得更好的预测结果？如果是这样，我们该如何修正数学模型，使其不会崩溃？

论文提出了一种名为“偏态多元概率模型”（SMNP）的新模型。把旧模型想象成一个僵硬的、对称的机器人，它假设品牌涨价带来的伤害与降价带来的收益完全相等。作者们认为这个机器人太死板了。他们的 SMNP 模型更像是一个灵活的、具有人类观察力的观察者，它承认：“嘿，人们在价格上涨时可能会比在价格下跌时更恐慌。”为了实现这一点，他们必须解决一个棘手的谜题。在统计学中，你不能在不破坏测量规则的情况下，直接向模型添加“偏态”（即不对称性）。这就像试图在不改变烤箱温度或烤盘大小的情况下，为蛋糕糊添加一种新的口味；如果你不小心，整个蛋糕就会塌陷。作者们发明了一种巧妙的新方法来重新排列数学公式（一种“重参数化”），既能防止蛋糕塌陷，又能允许加入这种额外的“口味”。他们还开发了一个特殊的计算机程序（使用一种称为“数据增强”的“贝叶斯推断”方法），可以通过“品尝”数百万种可能性，来找到正确的偏态程度而不至于迷失方向。

当他们测试新模型时，结果非常有说服力。在他们创建了已知具有倾斜反应的虚假数据的计算机模拟中，旧的对称模型预测错误，尤其是在极端情况（价格极高或极低时）。然而，新的 SMNP 模型成功地“恢复”了隐藏的不对称性，并更准确地预测了选择。但最棒的部分是：当他们在反应实际上是对称的数据上测试新模型时，它并没有搞砸。它只是缩回原状，表现得就像那个可靠的旧模型一样。它并没有在不存在偏态的地方强加奇怪的形状。

作者随后将模型从实验室带到了现实世界的购物数据中：一组涉及六个品牌的 2,657 次洗衣液购买记录，以及另一组涉及四个品牌的 4,956 次番茄酱购买记录。在洗衣液数据中，他们发现对于某个特定品牌（EraPlus），旧模型低估了人们在价格上涨时停止购买以及转向竞争对手的程度。新模型捕捉到了这种“损失厌恶”，显示出涨价对销量的打击比降价对销量的提升更为严重。在番茄酱数据中，旧模型误判了哪些品牌会从竞争对手涨价中获益。新模型纠正了这一点，表明替代模式与之前认为的不同。

论文得出结论，虽然旧的对称模型是一个很好的起点，但它可能会给企业和政府带来误导性的建议。如果一家公司使用旧模型，他们可能会认为涨价是一个安全的举动，而实际上这会赶走客户，或者他们可能会误判哪个竞争对手会夺走他们的市场份额。新的 SMNP 模型表明，通过允许这种不对称的、类人的反应，我们可以获得更清晰的图景。它不仅预测人们会买什么，还能解释为什么人们对坏消息的反应比对好消息的反应更强烈。作者们指出，这个工具可以帮助企业制定更好的定价策略，并帮助政府设计更好的政策，尽管他们也提到其数学逻辑很复杂，需要强大的计算机来运行。最终，他们证明了承认世界并非完美对称，可以带来更聪明的预测。

技术摘要：用于非对称选择响应的多项式 Probit 模型

问题陈述
标准的多元间隔 Probit (MNP) 模型施加了对称的选择响应，这意味着等幅度的协变量正向或负向变化对选择概率的影响是对称的。这种对称性源于对潜在效用服从多元正态分布的假设。然而，在许多实证场景中（例如定价策略或福利评估），这种假设是不合理的。诸如前景理论之类的行为理论表明，代理人对收益和损失的反应不同（损失厌恶），从而导致非对称响应。现有文献通常通过修改可观测效用部分（例如将属性拆分为收益和损失）或使用灵活的预测函数来解决这一问题。此外，一些方法通过改变误差分布引入非对称性，但这些方法通常局限于二元选择，或依赖于限制性假设（例如固定的尺度矩阵），这阻碍了对多元设定下替代模式的建模。作者认为，直接在潜在效用的条件分布上引入非对称性提供了一种简洁的替代方案，且不需要参考点或复杂的预测器转换。

方法论
本文提出了偏斜多元 Probit (SMNP) 模型，该模型使用多元偏斜正态分布取代了标准多元正态分布的潜在效用。

模型设定： 模型根据潜在效用 $Z_i = X_i\beta + \varepsilon_i$ 定义观测到的离散选择 $Y_i$ ，其中 $\varepsilon_i$ 服从多元偏斜正态分布 $SN_J(0, \Sigma, \alpha)$ 。偏斜性由形状参数向量 $\alpha$ 控制，该参数被重新参数化为具有可解释性的偏斜参数向量 $\delta$ 。当 $\delta = 0$ 时，该模型嵌套了标准 MNP。
识别挑战： 引入偏斜性会产生识别问题，因为偏斜参数与 MNP 模型中所需的尺度归一化（通常是将协方差矩阵的一个对角元素固定为 1）之间存在相互作用。作者通过开发一种对隐含协方差矩阵 $\Sigma_u$ （其中 $\Sigma = \Sigma_u + \delta\delta^\top$ ）的新型重参数化方法来解决这一问题。这种参数化方法固定了尺度，并确保协方差矩阵通过构造保持正定，具体做法是约束 $\Sigma_u$ 的第一个元素为 $1 - \delta_1^2$ 。
贝叶斯推断： 通过贝叶斯框架使用马尔可夫链蒙特卡洛 (MCMC) 进行估计。由于偏斜正态分布不会产生潜在效用的共轭后验，作者采用了双重数据增广方案：
1. 对潜在效用 $Z$ 进行增广。
2. 基于多元偏斜正态分布的条件高斯表示，对辅助变量 $w$ 进行增广。
  该策略将问题转化为一个条件高斯回归模型。生成的采样器是一个 Metropolis-Hastings within Gibbs 算法。所有参数均通过 Gibbs 步骤进行更新，唯独第一个偏斜参数 $\delta_1$ 需要通过单变量 Metropolis-Hastings 步骤来遵守约束条件 $|\delta_1| < 1$ 。

核心贡献

模型扩展： 本文扩展了 MNP 框架，允许具有特定选项的偏斜性，从而在不改变可观测效用函数或需要参考点的情况下捕捉非对称选择响应。
识别与估计： 它提供了一种完全识别的参数化方法，解决了偏斜性与尺度归一化之间的相互作用，确保了协方差矩阵的正定性。
计算算法： 它开发了一种易于处理的贝叶斯推断方法，利用双重数据增广，实现了在多元设定下对所有模型参数（包括偏斜向量和协方差矩阵）进行联合推断，填补了近期研究中假设固定尺度矩阵的空白。

结果
本文通过数值实验和两个实证应用（洗衣液和番茄酱购买）验证了 SMNP 模型。

数值实验：
- 在由偏斜分布生成的数据中，SMNP 成功恢复了非对称选择响应，并在预测准确性（以命中率、对数得分和截断似然得分衡量）方面显著优于标准 MNP。
- 在由对称分布生成的数据中，SMNP 向标准 MNP 收敛（偏斜参数的后验质量集中在零附近），且没有牺牲预测性能，证明了增加的灵活性在对称性成立时不会带来惩罚。
实证应用：
- 洗衣液： SMNP 检测到特定品牌（如 EraPlus）存在显著的偏斜性。这种非对称性导致了具有经济意义的价格弹性差异；与 SMNP 相比，标准 MNP 低估了特定品牌的价格敏感度以及需求损失/收益的幅度。
- 番茄酱： 模型识别出 Del Monte 品牌的非对称性。SMNP 改变了预测的替代模式，表明 MNP 可能会误分配竞争品牌间的替代（例如，误估了 Hunts 与 Del Monte 之间以及与自有品牌的交叉价格弹性）。
- 在上述两种情况下，SMNP 在概率预测指标（对数得分和截断似然）方面均优于 MNP。

意义与主张
作者声称，SMNP 模型提供了一种“简洁的方式”来捕捉非对称选择响应，避免了与对称潜在效用相关的误设风险。该模型被呈现为一种实用的工具，可帮助从业者（企业和政府）通过提供更准确的价格弹性估计和替代模式，做出更好的定价和政策决策。论文强调，虽然该模型捕捉了“非对称现象”，但它本身并不一定能识别产生非对称性的具体“行为机制”（如损失厌恶与转换成本）。作者谦虚地指出，未来的研究可以探索针对更大选择集或带有随机系数模型的近似贝叶斯方法，并指出当前的精确采样器在这些复杂设定下可能会面临混合（mixing）挑战。

类似论文