羅吉特模式之架構與構建程序

函數誤差（specification error）。所以隨機效用函數U 可用效用之可衡量_in 部分V_in(Z_in,S_n)與效用之不可衡量部分_in(Z_in,S_n)表示為(3-3)式

當_in假設為符合獨立且完全相同（Independently and Identically Distributed, IID）之 Gumble 分配時，則可推導出多項羅吉特（Multinormal Logit, MNL）模式，其方案機率如(3-5)式





Irrelevant Alternative, IIA），故兩兩方案之選擇機率僅與該方案之效用 有關，而與其他方案之效用無關，但也由於此假設要求各方案間應為完全獨 立，如何決定何謂不同的方案即為一大難題，故後來則有學者提出了巢式羅 吉特模式。

3.2 巢式羅吉特模式

為解決多項羅吉特模式假設 IIA 所可能產生的問題，McFadden(1978)利 用一般化極值模式（Generalized Extreme Value），將方案間的相似程度納 入考量，推導出巢式羅吉特模式（Nested Logit, NL）以避免 IIA 假設的缺 點；此模式主要的特點在於將具有相似性的方案放置在同一巢中，並藉由包

其中P 為巢 m 被選到的邊際機率，_nm P_{n im} 為方案 i 在巢 m 中被選到的條

McFadden 與 Train（2000）提出混合羅吉特（Mixed Multinomal Logit,MMNL）

模式，其考慮各變數對於方案選擇存在不同影響，因此在效用指定上，混合

3.3.2 各種參數分配狀況

二、常態分配（Normal Distribution）

若將參數指定為常態分配，意味著受訪者對於變數有或正或負的 偏好存在。令參數^{ ~N}









三、對數常態分配（Lognormal Distribution）

對數常態分配的特色為右偏分配，且右邊尾端無限延伸。將參數 設定為服從對數常態分配即意味著，受訪者對方案屬性有無限大的邊 際效用，就應用於肇事嚴重程度而言，似乎不甚合理；然而對數常態 分配的優點是，可強迫參數的性質符號為相同，即所有受訪者有同樣 正面或負面的偏好。

四、三角分配（Triangular Distribution）

五、均勻分配（Uniform Distribution）

均勻分配為情況都同程度可能性出現時的機率分配模式，參數分

【38】、Chih-Wei Pai（2009）【39】等學者之研究，均以常態分配（Normal Distribution）做為參數分配形態，故本研究亦將該參數形態假設符合常 又可稱為「隨機參數羅吉特（Random Parameter Logit, RPL）」或「隨機係 數羅吉特（Random Coefficient Logit, RCL）」模式。由上述可知，研究者 可依研究需要選擇所需的機率密度分配，因此克服了傳統將所有個體受訪者

其中_k為一非隨機參數，且非為常數，而是一個與個案特性變數有關之 函數，在函數式_k b_kz中，z為個案特性變數，則為變數z所對應之 係數值，而





3.5 羅吉特模式之校估與檢定

本研究係以 Limdep 3.0 軟體行進模式構建與校估，並運用最大概似法

（Maximum Likelihood Method）來進行羅吉特模式之參數校估，模式檢定所 使用的統計量如下：

二、概似比指標(Likelihood Ratio Index)

概似比指標主要是以²做為衡量模式的配適能力，當模式的解釋變數

3.6 模式構建程序 一、多項羅吉特模式

於構建多項羅吉特模式前，先對資料實施交叉分析，以找出變數與方案

（即肇事嚴重程度）有顯著差異者，先行投入構建模式校估，逐一檢視參數 之顯著性（顯著水準為α=0.1），除刪除不顯著之變數外，亦納入其他變數，

重覆詴驗以找出所有之顯著變數，構建出多項羅吉特模式。

二、巢式羅吉特模式

以多項羅吉特模式校估結果做為基礎，分別以將肇事嚴重程度第 1、2 類 或將第 2、3 類合併為同巢方案，檢視本研究方案分類之相似程度（巢式結構 如圖 3-2、3-3 所示)。

死亡或骨折

以上 人員受傷 單純車損 圖 3-2 第 1、2 類嚴重程度同巢結構

死亡或骨折

以上 人員受傷 單純車損 圖 3-3 第 2、3 類嚴重程度同巢結構 三、混合羅吉特模式

以第一部分之多項羅吉特模式為基礎，嘗詴將本研究變數設定為隨機參 數，透過 Limdep 3.0 軟體設定，其隨機參數之校估結果將提供參數及其變異 數之顯著程度（顯著水準為α=0.1），以構建出混合羅吉特模式，並檢視其 異質性。