叙述性偏好法练习

1. 利用SP法研究市民对于定制公交的选择偏好，选择实验中的两个备选项分别为“小汽车”、“公交车”，影响选择的要素包括：行程时间、行程费用、等候时间。 下列说法中最正确的选项是：

1. 本实验数据为标签数据（labelled data），在建立离散选择模型时应当不加入ASC常数项。
2. 本实验数据为无标签数据（unlabelled data），在建立离散选择模型时应当不加入ASC常数项。
3. 本实验数据为标签数据（labelled data），在建立离散选择模型时应当加入ASC常数项。
4. 本实验数据为无标签数据（unlabelled data），在建立离散选择模型时应当加入ASC常数项。

2. 利用SP法研究市民对于郊野公园的选择偏好，选择实验中的两个备选项分别为“公园A”和“公园B”，影响选择的要素包括：距离、门票、公园主题。 下列说法中最正确的选项是：

1. 本实验数据为标签数据（labelled data），在建立离散选择模型时应当不加入ASC常数项。
2. 本实验数据为无标签数据（unlabelled data），在建立离散选择模型时应当不加入ASC常数项。
3. 本实验数据为标签数据（labelled data），在建立离散选择模型时应当加入ASC常数项。
4. 本实验数据为无标签数据（unlabelled data），在建立离散选择模型时应当加入ASC常数项。

3. 参与正交的要素数量：

• 如果采用分步法进行正交设计，需要对个要素进行正交。
• 如果采用同步法进行正交设计，需要对个要素进行正交。

4. 使用分步法或同步法中的一种，开展正交设计，并报告选择实验的次数（请报告原始结果，暂时不考虑删除任何不合理的选择情景）：

我采用的是： 分步正交设计 同步正交设计， 共计产生了次选择实验。

5. 考察正交设计中的统计性质。

• 要素水平均衡：对于街道A的界面属性（street_A_interface）：
  水平1（围墙）出现了次；
  水平2（绿化）出现了次；
  水平3（橱窗建筑界面）出现了次；
  水平4（带咖啡座的建筑界面）出现了次。
• 不相关性：街道A的界面属性（street_A_interface）与街道A的有效步行宽度属性（street_A_width）之间的Pearson相关系数是：

6. 需要注意，原始的正交设计结果可能包含一些“不合理的选择情景”，即“silly choice”，典型的情况包括：

1. 两个备选项完全相同；
2. 一个备选项的每个要素均优于或等于另一个备选项，失去左右权衡的意义。

本例中，假设街道路过公园更好，街道的有效通行宽度越宽越好，另外两个要素（步行长度、界面）的不同水平之间没有确定的优劣关系， 请在实验设计中移除上述两种不合理的选择情景，然后再考察实验设计的统计性质。

• 要素水平均衡：对于街道A的界面属性（street_A_interface）：
  水平1（围墙）出现了次；
  水平2（绿化）出现了次；
  水平3（橱窗建筑界面）出现了次；
  水平4（带咖啡座的建筑界面）出现了次。
  
• 不相关性：街道A的界面属性（street_A_interface）与街道A的有效步行宽度属性（street_A_width）之间的Pearson相关系数是：

（注：是否删除“不合理的选择情景”并无绝对的共识，正如本题所反映的，删除它们可能会影响正交性，但是，这种影响通常不足为虑，我们总体倾向于删除“过于silly”的选择情景。）

7. 请将你下载的实验设计结果中的第一行转化为一次选择情景。请首先点击下方的“显示选择情景”按钮，呈现选择题表格， 然后再在表格中填入合适的数字，以补充街道A的步行长度和街道B的有效步行宽度属性。

显示选择情景

8. “都不选”的数据录入：在第7题中，如果某受访者的选择结果是“街道A”，我们应该如何录入长表格式的选择数据？请补充下面的表格。表格中各列的意义如下。

• person：受访者编号。
• question：问题在问卷中的编号。
• group：选择情景编号，每位受访者在每道问题上的回答都是一个不重复的选择情景。
• alt：备选项标识。
• choice：选择结果，Logit模型的因变量，0代表未选中，1代表选中。
• park/length/interface/width：备选项的属性，分别为：街道是否经过公园/街道的步行长度/街道界面/街道的有效步行宽度，Logit模型的自变量。 其中，length和width为数值变量，park和interface为分类变量。
• neither：针对“都不选”选项的变量，也将作为自变量纳入Logit模型。