第三章 理論模式基礎
第二節 多項式與條件式 logit 模型
多項式 logit 模型是由隨機效用模型推導而成。假設家戶 i 選擇住宅項目類型 j 。則依 McFadden (1974),家戶i 選擇 j 選項的隨機效用函數(random utility function)可以寫成下式(3-14):
ij j i
i i
j x y
u =β′ +α′ +ε (3-14) 式中,i∈I 且 j∈ , I 為家戶總數,J J為可以選擇的項目數目。uij表示家戶 i 選 擇 住 宅 項 目 j 方 案 的 效 用 。 此 效 用 可 分 為 兩 個 部 分 。 首 先 是 可 衡 量 效 用
j i
i y
x α
β′ + ′ ,表示住宅之相關項目或類型替選方案之直接效用中可以被觀測的部
分,此部分亦包含兩類,其中xij稱為「特質變數(attribute)」,不僅隨著項目或 類型之選項而有不同,在不同家戶中也會有所不同;而y 通常稱為個人特性變數i
(characteristics of individual),在選項和選項間並不會不同;β′ 及α′分別為變數 向量之係數。第二部分ε 則為「隨機效用」,表示住宅項目或類型之選項中無法ij 被觀測的效用,是為此模式中的誤差項,表示此模型無法解釋的部分。
假設家戶 i 選擇 j 的選項,表示選項 j 在J個可以選擇的項目總數中所產生 的效用最大,所以家戶 i 選擇 j 的選擇機率可表示為(3-15):
(
U U j J)
Prob ij > ij′,∀ ′∈
(3-15) 假設ε 相同且獨立之第一形態極端值分配(type extreme valueij Ⅰ (Weibull) distribution)時,機率密度函數為:
[
( )]
)
( exp
)
( e ij ij e ij ij
f εij =δ −δ ε −η − −δ ε −η (3-16) 累積密度函數為:
[
( )]
exp )
( e ij ij
F εij = − −δ ε −η (3-17) η :位置參數(location parameter),為該分配之眾數 ij δ :離散參數(dispersion parameter)
此分配的變異數為 2 2 6δ
π ,為簡化推導過程,令δ =1,ηij =0。 則家戶 i 選擇方案 j 的機率為(3-18)式:
Pij =P
(
Vij +εij >Vij′+εij′,∀j≠ j′)
(3-18)=P
(
εij′<Vij−Vij′+εij,∀j≠ j′)
Vij:為可衡量效用,即為β′xij +α′yi
根據誤差項之累積密度函數,則家戶 i 選擇方案 j 的機率可表示為(3-19)式:
∏
≠ ′
− − + − ′
=
j j
e ij
j Vi Vij ij
ij e
P
(ε )
ε (3-19)
由於εij為服從第一型極端值分配的變數,則需對
ij ij
P ε 積分:
e ij
j j
e
ij e e e d
P ij ij ij
ijV ij V
ε ε
ε + − ′ ε −
− − −
≠ ′
∫ ∏
− ⎥⎦
⎢ ⎤
⎣
= ⎡ ( ) (3-20)
則可推導出家戶 i 選擇住宅項目 j 的機率為:
( ) ∑
′= + ′
′
′ +
′
′
= J
j
y x
y x i
rob
i j i
i ij
e j e
P
1 α β
α β
(3-21)
(3-21)式即為 Kmenta (1986)及 Maddala (1989)所提出的「原始多項式 logit 模型
(original multinomial logit model)。由於此式允許不同家戶 i 在面對不同選擇 j 時 可以有不同的效用,所以在不同選擇時所估計到的係數是可以不同的。此模型在 替選方案集合中有n個方案,理論上應該會有
(
n−1)
組的參數。比方說,如果一 個家戶單位 i 面對四組選擇,則可以估計到三組係數(第四組是標準組)。假設以多項 logit 模型為家戶策略選擇之操作模型,家戶在住宅策略選擇時,
需同時面對各種替選策略的屬性及消費偏好,家戶 i 選擇住宅策略 j 之多項 logit 模型選擇結構如圖 3-1:
圖 3-1 多項式 logit 模型家戶住宅策略選擇架構圖
另一方面,假設家戶i 面對第 j 個選擇的決策時,只受到選擇 j的特性xij的 家戶 i
=1
j j=2 j=3 j=4 住宅策略 j
影響,而不受到自身特性y 的影響,則(3-21)原始多項式 logit 模型可以改寫成i 下式(3-22):
( ) ∑
′=
′
′
′
= J
j x x i
rob
j i ij
e j e
P
1 β β
(3-22)
此即 McFadden (1974)、Anas (1982)、Maddala (1983)及 Greene (1993)所稱之「條 件多項 logit 模型(conditional multinomial logit model)」或稱為 McFadden logit 模 型。由於所有的決策都只取決於個別選擇xij所具有的特性,而與決策者自身的 特性y 無關。對上式進行估計時,無論替選方案的集合中有多少個方案,校估的i 係數β′ 結果均只有一組,也就是不論原來的選擇 j 有多少個,因為每一個選擇對 於家戶 i 的影響都相同。
在實際估計方面,由於家戶 i 的屬性不能單獨指定於效用函數中,而必須和 替選方案的特性變數結合,才能存在,因此若家戶 i 的屬性(即y )以線型方式i 單獨指定於效用函數中,則經過運算,該變數將會從分子及分母中刪除,而不影 響方案選擇。故家戶的屬性必須和替選方案 j 的特性結合成為聯合變數(即
ij
x ),才能對方案選擇有所影響。例如在家戶住宅策略選擇模型中,可以將家戶 的心理屬性變數和住宅策略變數結合,才能放入模型中。由於條件多項 logit 模 型在校估時,假設每一組選擇 j 對於家戶 i 效用的影響都是相同的,因此其假設 性相當高。
另一方面,本研究若假設家戶 i 的住宅策略選擇 j 以一般多項 logit 模型估 計,各家戶 i 在住宅策略選擇時,均需同時面對四種可供選擇之住宅策略,且各 家戶對四種替選方案的屬性及消費心理屬性的偏好皆有不同。此外,若要將家戶 屬性變數y 置入模型中來探討,則必須對該變數加以修改。常用的方法是設置一i 組代表不同策略項目的虛擬變數(dummy variables),與家戶屬性變數相乘後代 入模型中,則這組變數便會在不同選擇項目中變化,我們因而得以對它進行討 論。因此各方案之選擇機率依其對家戶的效用而定,效用越高的方案則家戶的選 擇機率愈高;也就是說,各組之間的係數是可以不同的,因此其假設性較鬆。換 言之,條件式 logit 模型是原始多項式 logit 模型的特殊型態。