书名：应用选择分析（*二版）
定价：99.0
ISBN：9787300279909
作者：威廉·H.格林 戴维·A.亨舍约翰·M.罗斯
版次：1

内容提要：
这本流行教科书的*二版介绍了选择分析领域中的*新方法和技术。本书全面且易懂，任何读者都可以通过本书学习如何模拟和预测个人选择和团体选择。与*一版相比，*二版完全改写了其中一些章节，并目新増了一些主题，包括有序选择、尺度MNL模型、广义混合logit模型、潜类别模型、团体决策、直觉、属性处理策路、期望效用理论和前景理论的应用等。*二版还新增了大量案例研究，用来说明如何应用选择分析;提供了所有有关 logit命令，相关数据可以在线获得。
本书融合了理论、估计和应用，任何对选择行为建模方法感兴趣的读者，包括学生、研究者和咨询师等，都可以从中受益。





作者简介：
戴维•A.亨舍( David A. Hensher)

悉尼大学商学院管理学教授，悉尼大学商学院交通与物流研究所创建人。

约翰•M.罗斯( John M.Rose)

原为悉尼大学商学院交通与物流研究所教授，2014年3月加入南澳大学，并担任选择研究所所长

威廉•H.格林( William H. Greene)

纽约大学斯特恩商学院经济学讲座教授。

目录：
目录

第１ 部分 入 门

１ 引 言 ３

１.１选择是一件常见的事 ３

１.２选择行为建模简史 ４

１.３选择分析的基本规则与本书结构 ７

２选择 １０

２.１ 引言 １０

２.２ 个体有偏好， 偏好很重要 １０

２.３ 在选择分析中使用偏好和约束条件的知识 １６

３选择与效用 １７

３.１ 引言 １７

３.２ 一些基础背景 １８

３.３ 效用简介 ２６

３.４ 效用的已观测成分 ２７

３.５结语 ４２

４ 各种离散选择模型 ４６

４.１ 引言 ４６

４.２ 效用建模 ４６

４.３ 效用的未观测成分 ４７

４.４ 随机效用模型 ４９

４.５ 基本ｌｏｇｉｔ 模型的扩展 ５５

４.６ 嵌套ｌｏｇｉｔ 模型 ５７

４.７ 混合 （随机参数） ｌｏｇｉｔ 模型 ５９

４.８ 广义混合ｌｏｇｉｔ ６１

４.９ 潜类别模型 ６２２

４.１０结语 ６３

５ 估计离散选择模型 ６５

５.１ 引言 ６５

５.２ *大似然估计 ６５

５.３ 模拟*大似然 ７０

５.４ 从密度中抽取 ７３

５.５ 相关与从密度中抽取 ８８

５.６对于不存在封闭分析形式的模型， 如何计算选择概率 ９４

５.７ 用于估计的算法 ９９

５.８结语 １０４

６实验设计与选择实验 １０５

６.１ 引言 １０５

６.２ 什么是实验设计 １０６

６.３ 关于选择实验的更多细节 １４３

６.４ *优—*差设计 １４５

６.５ 关于样本规模和陈述性选择设计的更多细节 １４９

６.６实验设计用到的 Ｎｇｅｎｅ 语法 １５６

６.７结语 １６３

７统计推断 １８４

７.１ 引言 １８４

７.２ 假设检验 １８４

７.３ 方差估计 １９３

７.４ 函数的方差和支付意愿 ２０１

８ 研究者经常询问的其他问题 ２１２

８.１ 条件分布均值等于非条件分布 ２１２

８.２ 以随机后悔取代随机效用*大化 ２１４

８.３ 内生性 ２１７

８.４ 有用的行为输出 ２１８

第２ 部分 软件和数据

９应用选择分析的 犖犾狅犵犻狋软件 ２２９

９.１ 引言 ２２９

９.２ 关于软件 ２２９

９.３ 启动与退出 Ｎｌｏｇｉｔ ２３０

９.４ 使用 Ｎｌｏｇｉｔ ２３１

９.５ 如何让 Ｎｌｏｇｉｔ 执行任务 ２３２

９.６ 一些有用的提醒 ２３５

９.７ Ｎｌｏｇｉｔ 软件 ２３６

１０为 犖犾狅犵犻狋设置数据 ２３７

１０.１ 数据的读入和设置 ２３７

１０.２ 合并数据源 ２４２

１０.３对外生变量加权 ２４４

１０.４处理拒绝选择情形 ２４５３

１０.５ 向 Ｎｌｏｇｉｔ 输入数据 ２４７

１０.６ 从文件导入数据 ２４７

１０.７ 在数据编辑器中输入数据 ２５１

１０.８ 保存和重新加载数据 ２５２

１０.９导出数据文件 ２５３

１０.１０ 将数据集输入为一行 ２５３

１０.１１ 数据清洗 ２５５

第３ 部分 各种选择模型

１１ 基本模型： 工作母机———多项犾狅犵犻狋模型 ２６３

１１.１ 引言 ２６３

１１.２ Ｎｌｏｇｉｔ 中对选择建模： ＭＮＬ 命令 ２６３

１１.３ 解释 ＭＮＬ 模型的结果 ２６８

１１.４选择模型中相互作用的处理 ２７７

１１.５ 支付意愿的衡量 ２７８

１１.６ 从样本获得效用和选择概率 ２７９

１２ 未加标签的离散选择数据的处理 ２８４

１２.１ 引言 ２８４

１２.２ 未加标签数据简介 ２８４

１２.３ 未加标签的选择数据的建模基础 ２８５

１２.４ 未加标签的选择数据建模中的协变量问题 ２８８

１３ 从模型中获得更多信息 ２９９

１３.１ 引言 ２９９

１３.２进一步理解数据 ３０１

１３.３进一步理解模型参数 ３０６

１３.４ 模拟与 “ｗｈａｔｉｆ” 情景 ３１６

１３.５ 加权 ３２２

１３.６ 支付意愿 ３３５

１３.７经验分布： 一次移除一个观察值 ３３７

１３.８ 随机后悔模型与随机效用模型的应用 ３３８

１３.９ “Ｍａｘｉｍｉｚｅ” 命令 ３４２

１３.１０ 校准模型 ３４３

１４ 嵌套犾狅犵犻狋估计 ３４７

１４.１ 引言 ３４７

１４.２ 嵌套ｌｏｇｉｔ 模型命令 ３４７

１４.３ 估计 ＮＬ 模型与解释输出结果 ３５１

１４.４设定 ＮＬ 树的更高一级水平的效用函数 ３５８

１４.５ ＮＬ 模型中退化侧枝的处理 ３６３

１４.６ 三水平 ＮＬ 模型 ３６６

１４.７弹性与边际效应 ３６８

１４.８协方差嵌套ｌｏｇｉｔ ３７０

１４.９ 广义嵌套ｌｏｇｉｔ ３７３

１４.１０ 其他命令 ３７６４

１５ 混合犾狅犵犻狋估计 ３７７

１５.１ 引言 ３７７

１５.２ 混合ｌｏｇｉｔ 模型的基本命令 ３７７

１５.３ Ｎｌｏｇｉｔ 输出信息： ＭＬ 模型的解释 ３８１

１５.４ 如何使用随机参数估计值 ４０５

１５.５ 特定个体参数估计： 条件参数 ４０６

１５.６ 随机参数的条件置信区间 ４０８

１５.７ 支付意愿问题 ４１０

１５.８ 混合ｌｏｇｉｔ 模型中的误差成分 ４１５

１５.９ 广义混合ｌｏｇｉｔ： 考虑尺度和品味异质性 ４２１

１５.１０ 效用空间和 ＷＴＰ 空间中的 ＧＭＸ 模型 ４２３

１５.１１ 效用空间中的ＳＭＮＬ 模型和 ＧＭＸ 模型 ４３８

１５.１２ 混合数据集中尺度异质性的识别 ４４３

１６ 潜类别模型 ４４４

１６.１ 引言 ４４４

１６.２标准潜类别模型 ４４４

１６.３ 随机参数潜类别模型 ４４６

１６.４ 案例研究 ４４８

１６.５ Ｎｌｏｇｉｔ 命令 ４５４

１７ 二项选择模型 ４６８

１７.１ 引言 ４６８

１７.２ 基本二项选择 ４６８

１７.３ 使用面板数据模拟二项选择 ４８３

１７.４ 二元ｐｒｏｂｉｔ 模型 ４８８

１８ 有序选择 ５０６

１８.１ 引言 ５０６

１８.２传统有序选择模型 ５０６

１８.３ 广义有序选择模型 ５０７

１８.４ 案例研究 ５１２

１８.５ Ｎｌｏｇｉｔ 命令 ５１９

１９ 合并数据源 ５２４

１９.１ 引言 ５２４

１９.２ 嵌套ｌｏｇｉｔ “技巧” ５２８

１９.３ *嵌套ｌｏｇｉｔ “技巧” ５３０

１９.４ 案例研究 ５３２

１９.５ 更*级的ＳＰＲＰ 模型 ５３７

１９.６ 假设偏差 ５４２

第４ 部分 *级主题

２０选择分析前沿 ５５７

２０.１ 引言 ５５７

２０.２ 含有非线性效用函数的混合多项ｌｏｇｉｔ 模型 ５５７

２０.３ 期望效用理论和前景理论 ５６０５

２０.４ 案例研究： 交通耗时的可变性和节省的交通耗时的期望价值 ５６４

２０.５ 表２０.６ 模型中的 ＮＬＲＰＬｏｇｉｔ 命令 ５７０

２０.６ 混合选择模型 ５７４

２１ 属性处理、 启发性直觉和偏好构建 ５７９

２１.１ 引言 ５７９

２１.２ 常见决策过程回顾 ５８１

２１.３ 将决策过程嵌入选择任务 ５８３

２１.４ 关系直觉 ５８７

２１.５过程数据 ５９１

２１.６ 合成： 将前面几节内容合在一起 ５９３

２１.７ 案例研究１ ： 通过非线性处理纳入属性处理直觉 ５９４

２１.８ 案例研究２： 选择反应的确定性、选项可接受性和属性门限的影响 ６０５

２１.９ 案例研究３： 考察个体对陈述性选择实验的回答———他们的回答有意义吗 ６１９

２１.１０ 多个直觉在属性处理 （作为调整模型选择的一种方法） 中的作用 ６５３

２２团体决策 ６６５

２２.１ 引言 ６６５

２２.２ 相互作用的智能体选择实验 ６６６

２２.３购买汽车的案例研究 ６６８

２２.４ 案例研究结果 ６７０

２２.５ Ｎｌｏｇｉｔ 命令和结果 ６７６

自选术语 ６９７

译后记 ７０４