2018年4月18日晚上，中国营销工程与创新研究中心(以下简称“MEI”)2017-2018年第二学期第7次研讨会(以下简称“seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师、戴宾老师和MEI各位成员。

　　本次Seminar由田滨研读文章“A Probit Model with Structured Covariance for Similarity Effects and Source of Volume Calculations”。随机效用模型的分布假设在观察到的产品属性与选择概率之间起着重要的作用。由独立误差导出的选择概率具有不相关备选方案的独立性，这通常与观察到的替代行为不匹配，并导致在引入新参与者时不准确地计算数量来源。在这篇文章中，作者参数化probit模型的协方差矩阵，以使偏好空间中的类似品牌具有比不同品牌更高的相关性，从而导致更高的替代率。他们发现，跨越多个数据集，基于总体效用的相似性，而不仅仅是属性，将产品定义为与更高的替代率类似。所提出的模型导致更好的样本内和预测性数据的拟合，以及更为现实的替代新产品介绍的度量。

　　这篇文章的主要结论有：(1)本文研究的问题是在面临提供的新的替代产品或产品线上增加新的成员时如何提高传统方法(也就是logit模型)计算产品需求数量来源(Source of Volume)准确度的问题; (2)基于随机效用的基础上文章认为，在偏好空间里相似品牌相比于不相似的品牌具有更高的替代率; (3)基于整体效用的相似性，而不仅仅是产品属性的相似性时候，这种标准的相似性将会有更高的替代比率; (4)文章在基于效用理论的基础上，构建替代品之间的感知距离公式，引入结构化协方差矩阵，把随机效用看成是均值为0，方差为协方差矩阵的正态分布，与多项式概率模型结合，构建文章的研究模型;(5)将随机效用即模型中的随机误差项，看成是消费者特征与产品属性的函数，并认为误差项之间具有相关性，不是独立同分布，进而与概率模型结合，保持logit或者probit模型的简约性

　　提问环节， 大家就其方法进行了讨论。本文的方法与传统的数学方法的本质区别在于传统的将随机效用看成是独立同分布的，该文章看成是不独立同分布，是相关的，是消费者特征和产品属性的函数，并将此转化成一个矩阵，引入到模型中;独立同分布是随机效用，选择概率与选择属性有关，跟消费者和产品属性不想关，匹配就不准确，消费者是基于个体层面的。应该把消费者特征和产品属性都看成相关的去考虑，基于消费者效用为了简化运算，因为产品属性差异太多，组合个数非常多。这是一篇纯方法的文章，可以考虑用于社区竞争和比较差异性，通过误差项作为消费者偏好的一个估计可以简化我们的研究。

　　接下来潘海利汇报了其论文，老师提出，概念定义要更加明确，讲研究同样要从故事或者现实出发，吸引听者注意。

　　本学期第7次seminar结束，四月总是过得很快，希望大家抓紧时间，做出成果~

　　文字/高蕾 段晓玲  供图/高蕾

　　审核/郑仕勇

　　网站编辑/严燚