但是卻仍受限於同一群組中的方案間具有同等相關性的假設，此點可能與現實 的狀況不符合。
三、 其他模式
其他多項羅吉特模式的延伸變化模式，例如 ：順序性一般化極值模式
（Ordered Generalized Extreme Value，OGEV）是指我們在選擇時會有順序性 地做抉擇， 可是在唯一的文獻中（Small，1978）所做出的結果不如巢式羅吉 特模式，且與多項羅吉特模式無顯著差異。成對組合羅吉特模式（ Paired Combinatorial Logit，PCL）允許方案間具有不同的相關程度，可是在方案較 多時有不易校估的問題存在。交叉巢式羅吉特模式（Cross-Nested Logit，CNL）
即異質性一般化極值模式（Heteroscedastic Extreme Value，HEV），同樣具 有校估困難的問題。
從理論上來看這些模式都是比較符合真實的情形。然而，這些模式卻將帶來 計算上比較大的負擔，而且在替選方案較多時不易校估。所以本研究擬採取多項 羅吉特模式來作為分析的方法。
第二節 多項羅吉特
個體選擇模式假設決策者從一些互斥方案中選擇效用最大之方案。每一方案 的效用函數 Uin 可寫成下式:
U
in＝V
in＋ε
in ... （ 1 ） 其中U
in：決策者 n 選擇方案 i 之總效用，V
in：決策者 n 選擇方案 i 之可衡量效用，ε
in：決策者 n 選擇方案 i 之不可衡量的誤差項;可衡量效用部分包含方案與決策者特性。可衡量的效用通常假設為線性函數 之型式:
Uin＝β
nXin＋εin ... （ 2 ） βn：解釋變數向量
Xin：變數之參數值 εin：誤差項
羅吉特模式之決策者n 選擇方案 i 的機率 Pin可表示為：
P
in＝
ℯ𝒱𝔦𝓃ℯ𝒱𝒿𝓃 𝒿𝒿=1
... （ 3 ）
J：方案個數（0，⋯⋯，j）
多項羅吉特模式為封閉型式，容易校估。其主要的缺點是模式具有不相關替
則所推導的結果會不符合決策者的行為。
多 項 羅 吉 特 模 式 參 數 的 校 估 方 法 將 採 最 大 概 似 法 （ Full Information Maximum Likelihood Method 簡稱 FIML 法）此種方法乃對所有可供選擇的集合 中之每一元素加以組合，將每種組合視為一替選方案，然後找出使對數概似函數 值為極大之參數值。
第三節 Logit 模式適合度檢定
多項 Logit 模式的參數校估方法以全部資訊最大概似法應用最廣，此種方法 乃對所有可供選擇的集合之每一元素加以組合，將每種組合視為一替選方案，然 後找出使對數概似函數值為極大之參數值。模式之檢定可分為模式參數檢定、模 式結構檢定、漸進 t 檢定。而適合度檢定的目的在於確定虛無假設的分配是否適 合觀察的次數，檢定的方法是比較理論次數與觀察次數是否一致。
一、 模式參數檢定
對模式中所有參數做檢定，檢驗參數之正負號是否符合先前經驗知識之邏 輯，並檢測在某種信賴水準之下是否拒絕參數值為 0 之 t 檢定。
二、 模式結構檢定
分為概似比指標檢定與概似比統計量兩種，說明如下。
（一） 概似比指標
在Logit模式中，可將測定的參數值帶入模式中以求出個人n選擇方案i的 機率Pi，但是只能知道消費者有無選擇替選方案i，並不能知道個人n其真正選 擇替選方案i的機率為多少。因此，建議以概似比指標來衡量Logit模式的適合 度，概似比指標s 2定義如下:
s
2=
InL β −InL 0InL P −In 0 ... （ 4 ） 其中
InL 0 ：市場佔有率模式之概似函數對數值。
InL β ：所測定模式之對數概似函數值。
InL P ：理想模式之對數函數概似值，因所預測之選擇機率與觀測機率相同，
故InL P = 0 因此
s
2= 1 −
InL β InL 0 ... （ 5 ）s
m 2=1 −
InLInL 𝑚 β ... （ 6 ） InL 𝑚 :市場佔有率模式之概似函數對數值。（二） 概似比統計量
概似比統計量可以一次檢定模式中所有參數是否顯著。虛無假設為所有欲 檢定參數均不顯著。若概似比統計量大於對應之卡方統計量，則拒絕虛無假設，
否則則接受參數不顯著之假設。定義如下：
−2Inλ = −2 InL 0 − InL β ... （ 7 ）
上式為一卡方檢定（x2）分配，其自由度為估計模式中所有參數的總數。
1. 漸進t檢定
概似比檢定乃針對整個模式的參數做檢定;而漸進t檢定則是對每一個參 數個別做檢定。漸進t值等於參數係數值除以其標準差。
2. 判中率
判中率= 100／N × ni=0Yi ... （ 8 ） 其中N為總樣本數
Yi = 1，當預測機率最高之方案等於實際所選擇之方案。
Yi = 0，當預測機率最高之方案不等於實際所選擇之方案。
判中率的值應介於0〃100 之問，判中率的值愈高，則表示模式愈具代表 性。
第四節 小結
在住宅選擇分析中，較常使用之離散選擇模式為，Probit、MNL 及 NMNL 三類，
其中較廣泛應用的為 MNL 及 NMNL。此處概略將 MNL 及 NMNL 之優缺點作初步說明。
MNL 比起其他模型，因其參數值較易估計，在使用上較為簡易。而此模式有 不相關替選方案獨立性（簡稱 IIA 特性）之問題。在目前住宅市場選擇環境中，
很容易違反 IIA 特性之假設，而使估計之預測產生偏頗。
一、而 NMNL 為改進 MNL 之 IIA 特性而發展出來的模式，此模式與 MNL 比較上明 顯具有三個優點。
二、NMNL 模式對誤差項並無做任何相關性假設，可使 NMNL 更廣泛應用於不同個 體選擇行為。
三、理論上 NMNL 模式可檢測各替選方案問是否存在 IIA 特性及利用 MNL 之適當 性。
四、NMNL 模式對於估算替選方案的數目採取階層性之架構，對每層而言可減少處 理需估算之替選方案的數目，使估計較為容易。
然而，NMNL 模式雖允許同一巢層內的方案效用之誤差項不獨立，但實際上仍 會受限於同一巢層內的方案間具有同等相關性的假設。此點與決策者實際的選擇 行為可能不一定相符。此外，NMNL 亦無法同時考慮方案間兩兩相關的獨立性。
其實，每個模式都互有優缺點，需視研究的目的為何再選擇合適的模式。而 本研究則採用較廣泛的多項式羅吉特。