透過第二章之文獻回顧，本研究發現通常在探討電子收費之行為選擇採用多 項羅吉特模式居多。過去文獻較少納入市場區隔的概念，僅在日本ETC有相關研 究(Fukuda et al., 2004)。潛在群體模式可將決策者做分群之動作，並了解決策者 對替選方案之偏好以及各區隔之影響變數。本研究為深入探討汽車駕駛人對國道
3.2 潛在群體模式
多項羅吉特已提供許多基本之分析，但是受於不相干獨立之替選方案
（Independence from Irrelevant Alternatives, IIA）之限制。基於此因，促使許多學 者試圖想找出替代方法。而潛在群體模式不需假定參數服從特定分配，且可放寬
3.3 區隔數決定指標
由於潛在群體模式之區隔數無法事先決定，通常是透過績效指標判定，一般 常用指標如 AIC (Akaike Information Criterion)及 BIC (Bayesian Information Criterion)。求區隔數解之程序是從兩個區隔，逐一增加區隔數，直到無法顯著改 (Reveal Preference, RP)資料，第二類為敘述性偏好(Stated Preference, SP)資料。顯 示性偏好法在分析時，透過對受訪者實際行為調查，從受訪者對不同方案的選擇
合成各種選擇情境，其替選方案(Alternatives)由受訪者評分(Rating)、等級排序 (Ranking-order)，或以第一偏好法(First Choice)的方式評估替選方案的偏好情形，
之後再依上述各替選方案之調查資料，利用參數校估技術來估計函數之參數，分 析受訪者之選擇行為並建立效用函數。
3.4.2 衡量尺度與參數校估方法
敘述性偏好法之偏好衡量方法如上所述，分別為等級排序法（ranking）、評 分法（rating）與第一偏好法（first preference）等三種，分述如下：
1. 等級排序法
受訪者對替選方案依其偏好予以排序，此測量尺度屬於等級尺度(ordinal scale)，只能瞭解受訪者對替選方案偏好的高低程度，並無法瞭解偏好的倍數關 係。當替選方案過多的時候，方案排序就變得非常困難。
2. 評分法
受訪者對替選方案依其偏好予以評分，偏好愈高者則分數愈高。測量尺度為 等距尺度(Interval scale)，由於沒有真正的零點存在，則無倍數關係。一般分數都 設在 1~20 分之間，若分數範圍過大，受訪者則不易將偏好正確地表示出來。
3. 第一偏好法
受訪者對替選方案模擬情境其可能選擇之方案，而被選擇之方案顯示受訪者 對此方案有第一偏好，此方法可表示出受訪者對替選方案偏好的機率。
敘述性偏好法效用函數參數的校估，對於不同的衡量方法有不同之參數估計 方法。等級排序法之資料可使用 MONANOVA(Monotone Analysis Of Variance)校 估參數；評分法之資料以最小平方迴歸(Ordinary Least Squares, OLS)及最小 絕對誤差和迴歸模式(Minimizing Sum of Absolute Error Regression, MSAE)；第一 偏好法之資料，可使用個體選擇模式裡的羅吉特(Logit)與普洛比(Probit)兩種方法 來校估參數。
本研究為探討汽車駕駛人對於國道收費系統之選擇偏好，採用第一偏好法做 為敘述性偏好衡量之尺度，其參數估計方法為個體選擇模式，其中以羅吉特模式 較為廣泛應用，原因為函數形式簡單也較實用。因此，本研究將使用羅吉特模式 做為敘述性偏好法之校估模型。
3.4.3 實驗設計
在進行敘述性偏好法之實驗設計(Experimental Design)前，需事先決定屬性 及其水準值。其實驗設計可分成兩大類，分別為二因素法(Two-Factor At-a-time procedure)以及整體輪廓法(Full-profile approach)，分述如下。
1. 二因素法(two-factor at-a-time procedure)
二因素法又稱權衡法(trade-off procedure)，受訪者每次只對一對屬性中各水 準值之不同組合加以評估，排列偏好順序，然後再對另一對屬性做考慮。其優點 為受訪者容易填寫，而且容易應用，但在實際應用上有幾項限制：
(1) 因為受訪者每次只對一對屬性進行評估，其不考慮其它屬性，較不接近真實 情況。
(2) 受訪者所需要評估次數較多。
(3) 受訪者可能會採取定型化之反應。
(4) 不能使用不分因子設計減少屬性的比較。
2. 整體輪廓法(full-profile approach)
整體輪廓法又稱觀念評估法（concept evaluation task），其方法是在替選方案 中列出所有重要屬性，由各屬性之某一水準值組成一個替選方案。此方法將替選 方案中每一個屬性皆同時列舉，比較接近真實情況，但受訪者需評估之方案組合 太多，常造成受訪者無法負擔。因此在實際應用上可使用要因設計(Factorial design) 與 部 分 要 因 設 計 (Fractional factorial design) 及 直 交 排 列 法 (orthogonal arrays)減少組合數目。而在本研究中，將採用部分要因設計方式選取情境。