[论文解读] A step-by-step guide to design, implement, and analyze a discrete choice experiment

Daniel Pérez-Troncoso|arXiv (Cornell University)|Sep 23, 2020

Economic and Environmental Valuation参考文献 16被引用 10

一句话总结

本文提供了一份全面的、基于自由软件的指南，用于设计、实施和分析离散选择实验（DCEs），使用R处理实验设计、数据管理和条件Logit模型与混合Logit模型的估计。该指南使研究人员无需依赖专有软件即可估计支付意愿并评估偏好异质性，为每个步骤提供完整的可重现代码。

ABSTRACT

Discrete Choice Experiments (DCE) have been widely used in health economics, environmental valuation, and other disciplines. However, there is a lack of resources disclosing the whole procedure of carrying out a DCE. This document aims to assist anyone wishing to use the power of DCEs to understand people's behavior by providing a comprehensive guide to the procedure. This guide contains all the code needed to design, implement, and analyze a DCE using only free software.

研究动机与目标

• 解决在仅使用自由软件的情况下开展离散选择实验（DCEs）时缺乏可访问、端到端资源的问题。
• 为健康经济学、环境估值及相关领域的研究人员提供逐步、可重现的工作流程。
• 通过在R中使用条件Logit和混合Logit模型，实现支付意愿的估计与偏好异质性的检测。
• 通过提供DCE实施各阶段的完整R代码，减少对昂贵商业软件的依赖。
• 标准化DCE设计的最佳实践，包括属性选择、预实验研究，以及基于d-误差优化的高效实验设计。

提出的方法

• 使用R通过最小化d-误差生成高效的实验设计，确保在有限的选择集下获取最大信息量。
• 以全因子设计作为基线，随后应用优化方法减少选择集数量，同时保持统计效率。
• 使用dplyr将数据从宽格式转换为长格式，以实现与模型估计用设计矩阵的正确整合。
• 使用survival::clogit函数应用条件Logit模型（CLM），对参照类别采用省略水平编码。
• 通过mlogit包估计混合Logit模型（XLM），允许随机系数，并检验偏好异质性。
• 使用Halton序列和蒙特卡洛积分（R=100）以提高混合Logit估计的收敛性和准确性。

实验结果

研究问题

• RQ1 研究人员如何仅使用自由软件设计出统计上高效的离散选择实验？
• RQ2 如何最优地选择属性和水平，以在精度与受访者理解之间取得平衡？
• RQ3 如何对数据进行结构化并将其与设计矩阵合并，以实现选择模型的有效估计？
• RQ4 在DCE中，条件Logit与混合Logit模型在解释和统计特性上存在哪些差异？
• RQ5 如何通过系数比值从DCE结果中估计支付意愿？

主要发现

• 条件Logit模型估计结果显示，'每月一次'剂量的效用最高（系数 = 2.93951），而'100%疗效'为参照水平，其系数为2.3711。
• 在'剂量'属性中，其最高水平与最低水平之间的效用差异最大（5.27），表明该属性对选择影响最大。
• 支付意愿通过某水平系数与价格系数的比值计算得出，从而实现对非市场属性的货币估值。
• 混合Logit模型揭示了多个系数（如Var11、Var12）具有显著标准差，表明受访者之间存在显著的偏好异质性。
• 在'给药方式'属性中，口服给药表现出强烈偏好（系数 = 2.02899），而注射为参照水平。
• d-误差优化程序将选择集数量从全因子设计的5778个减少到可管理的数量，提升了调查可行性，同时未牺牲信息量。