随机效用与离散选择

随机效用理论认为，每个选择背后，都有一部分原因是我们能解释的，另一部分则是我们无法解释的。你可以把它想成一座冰山：露出水面的部分，是我们能观察到的个人偏好；水面下还藏着很大一部分因素，只有本人知道，比如心情、回忆，或不为人知的限制。两个人可能做出不同却同样理性的选择，因为他们把相同的可见选项，与各自不同、外人看不到的因素结合起来考虑。

随机效用模型从一个简单的前提出发：我们永远无法完全知道，人们为什么会做出某个选择。我们能观察到的选择，也包含着我们看不到的随机成分。这里的“随机”不是指数学上的混沌，而是指决策者知道、我们却不知道的那些因素。比如，你选那家咖啡店，可能是因为它离你更近，这是能观察到的；也可能是因为昨天咖啡师记住了你的名字，这一点我并不知道。

这一框架彻底改变了我们预测离散选择的方式。离散选择，就是在不同选项之间做决定，比如开车还是坐火车通勤、投票给候选人 A 还是 B，或选择产品 X 还是 Y。在这种方法出现之前，经济学家很难解释看似不一致的选择：明明什么都没变，为什么一个人今天坐公交，明天却开车？随机效用理论的解释是，偏好既有稳定的部分，也有随具体情境、随时刻变化的部分。

这一点很重要，因为即使信息不完整，我们也能做出预测。我们不必掌握影响某个决定的每一个因素，而是对可预测的规律建模，同时承认仍有一部分变化无法解释。企业用它预测新产品的市场份额，交通规划人员用它预测出行路线的变化，政策制定者用它模拟法规会如何改变人们的行为。承认“随机”因素，反而能让模型更准确，因为它不会对本就带有人类特性的决策强求虚假的精确性。

关键在于，这种方法重新理解了“理性”：只要你的选择体现了自身一贯的偏好，你就是理性的，并不要求你和别人意见一致，或达到某个客观标准下的最优结果。选汉堡的人和选沙拉的人，都可能是在理性决策，只要他们都在各自的限制和偏好下做出最优选择。而这些限制和偏好，很多是外人看不到的。

随机效用理论为离散选择分析提供了数学基础。它将效用视为一个随机变量，由系统性成分（可观测）和随机成分（不可观测）组成。决策者选择某个选项的概率，取决于该选项在所有可选方案中带来最高效用的概率。McFadden（1974）证明，如果随机成分服从极值分布，选择概率就具有闭式的 logit 结构，这让模型便于用于实证研究。[1]

主要研究发现包括：

• McFadden（1974）：从随机效用最大化推导出条件 logit 模型，确立了在特定分布假设下，离散选择模型与效用最大化是一致的。[1]
• Train（2009）：表明混合 logit 模型可以逼近任意随机效用模型，既能刻画不同个体之间的偏好差异，也能灵活刻画选项之间的替代模式。[2]
• Ben-Akiva 和 Lerman（1985）：表明即使选择具有概率性，随机效用模型仍能通过计算补偿变差来进行福利分析。[3]

随机效用模型面临几方面的质疑。分布假设决定了选项之间的替代模式，通常采用的是耿贝尔分布（极值分布）。logit 模型施加了“无关替代项独立性”这一性质，当选项具有共同的不可观测属性时，这可能不符合现实。“红色公交车／蓝色公交车问题”就说明了这一点：加入一个几乎相同的选项，不应该按相同的比例从所有选项中分走份额。混合 logit 和嵌套结构放宽了这一限制，但也增加了计算复杂度。面对包含数百个选项的庞大选择集，或存在内生属性时，这些模型也较难处理。这里的内生属性，是指价格或质量会随需求以可预测的方式变化。最后，显示偏好只能告诉我们人们实际选了什么，无法告诉我们在不同条件下他们本会选什么。因此，如果没有实验带来的条件变化，因果推断就会受到限制。