2026年8月30日 · 更新于 2026年10月4日 · Glossary · Minds Team
离散选择模型与离散选择实验（DCE）：定义、设计步骤与示例 离散选择模型（DCM）是分析人们如何在互斥方案之间做选择的统计方法；离散选择实验（DCE）是为它收集数据的问卷设计：受访者在多组由不同属性水平组合成的方案中反复选出最想要的一个。两者结合，可以估算每个属性水平的效用、属性重要性和偏好份额。
复制为 Markdown
简单回答：离散选择模型（Discrete Choice Modeling，DCM）是分析人们如何在一组互斥方案中做出单一选择的统计方法；离散选择实验（Discrete Choice Experiment，DCE）是为它收集数据的问卷设计。受访者在多组由不同属性水平组合成的方案中反复选出最想要的一个，研究人员再用 Logit 类模型估算每个属性水平的效用、属性重要性和偏好份额。这一理论框架的奠基者 Daniel McFadden 因“发展了分析离散选择的理论和方法”获得 2000 年诺贝尔经济学奖 。
在商业研究中，这套方法用来回答“买家愿意为哪个功能让步”“哪个价格档位会让选择份额明显下降”这类评分题答不好的问题。Minds 等合成研究平台则可以在真实实地调研之前，用模拟受众先跑一轮方向性的选择实验。
两个名词经常混用，但分工不同：
离散选择实验是数据收集环节。研究人员定义属性和水平，用实验设计生成选择集，受访者在每个选择集中选出一个方案（通常可以选“都不选”）。 离散选择模型是分析环节。它基于随机效用理论，用多项 Logit、条件 Logit、混合 Logit 或潜在类别模型，从选择数据中估计部分价值效用（Part-Worth Utilities）。 基于选择的联合分析（Choice-Based Conjoint，CBC）是市场研究领域对离散选择实验的常用叫法；评分型或排序型联合分析则不属于离散选择实验。 换句话说，没有好的离散选择实验设计，就没有可靠的离散选择模型估计。
离散选择模型建立在随机效用理论（Random Utility Theory）的基础之上，该理论假设决策者总是会选择能带来最高总体感知效用的备选项。在典型的选择实验中，研究人员会定义一组核心产品属性，例如品牌、核心功能、保修期、配送速度和价格。每个属性包含多个切合实际的属性级别。随后，实验设计算法会生成一系列选择任务，以平衡且受统计控制的排列方式向受访者展示结合了不同级别的竞品画像。
当受访者评估每个任务时，他们会选出最青睐的选项，或选择“以上皆非”选项。通过多项 Logit 模型（Multinomial Logit）或潜在类别估计模型（Latent Class Estimation Models）对数百乃至数千次观察数据进行分析，研究人员可以将产品总体价值分解为单个部分价值效用（Part-Worth Utilities）。数学输出结果能精确揭示每个功能级别对整体购买决策贡献了多少效用，使团队能够计算不同市场场景下的偏好份额、属性重要性排名和价格敏感度。
以一家计划在北美推出智能家居安全中枢的消费电子公司为例。研究团队必须在三个核心硬件规格与每月云端订阅费之间取得平衡。如果直接在调研中询问受访者是否想要高清视频和免费云存储，通常会得出毫无指导价值的反馈（每个人都想要功能最多且成本为零的方案），因此团队构建了一项离散选择实验。
每位受访者会评估八个不同的产品组合方案。方案 A 提供双向音频、仅本地存储，以及每月 10 美元的监控费；方案 B 提供高清视频、30 天云端录像、蜂窝网络备份，以及每月 25 美元的费用；方案 C 提供基础音视频录制，无需订阅。通过观察目标消费者在不同配置下选择了哪种方案，产品团队发现蜂窝网络备份的感知效用是延长云存储时间的两倍，从而使他们能够优化基础产品配置，实现最大的市场吸引力。
明确决策问题。先写下研究结果会改变哪个决策，例如定价档位、功能取舍或套餐结构。 选择属性和水平。属性控制在受访者能同时比较的范围内，每个水平都必须真实可行，价格水平覆盖你实际考虑的区间。 生成实验设计。用正交设计或 D 最优设计生成选择集，保证每个属性水平能被单独估计，避免属性之间完全相关。 设定选择任务。决定每个选择集包含几个方案、是否加入“都不选”选项，以及每位受访者回答多少个选择集。 预测试问卷。检查受访者是否理解属性描述、任务量是否造成疲劳、是否出现只看价格的简化作答。 估计与解读模型。用 Logit 类模型估计部分价值效用，计算属性重要性和不同市场情景下的偏好份额，并标注模型的不确定性。 医疗与卫生经济学领域的研究常以 ISPOR 工作组发布的联合分析良好研究实践清单 （Bridges 等，2011）作为设计与报告的检查标准，商业研究同样可以借鉴。
传统的产品开发往往依赖陈述重要性调研（Stated-Importance Surveys），让潜在买家在五分制量表上对每项拟定功能进行评分。这种方法常常会导致期望虚高，因为受访者几乎没有妥协让步的动机。离散选择模型通过复刻现实世界的购买环境解决了这一问题 - 在现实中，选择某项优势往往意味着放弃另一项优势，或者需要支付更高的价格。
市场营销和研究团队在多个战略阶段部署选择模型：
功能优先级排序：在投入研发工程资源之前，确定哪些产品改进能带来最高的增量价值。 套餐与档位架构设计：将软件或硬件功能划分为标准版、专业版和企业版档位，以最大化整体采用率。 营销宣传主张筛选：测试在固定基准价格下，哪种价值主张或认证标识能带来最强劲的转化提升。 竞争定位模拟：模拟当直接竞争对手推出更低价格的替代品或新颖功能组合时，客户偏好会如何转变。 通过数学化地量化权衡取舍，企业可以避免耗费昂贵的开发周期去构建低价值功能，并将产品路线图牢牢建立在切实的买家行为基础之上。
需要知道多个属性组合在一起时买家如何取舍（例如功能加价格）：用离散选择实验或基于选择的联合分析。 只需要给一长串独立的功能、主张或卖点排优先级：用 MaxDiff，受访者每次只选最重要和最不重要的一项，任务更轻。 需要找出价格可接受区间：用 Van Westendorp 或 Gabor-Granger 等定价方法，再用选择实验检验价格与功能的组合。 Minds 代表了端到端商业合成研究的现代化标准，将定性探索与定量方法执行整合在单一互通的工作流中。在每个 Mind 底层运行的是 Minds PRISM - 这是专为在合成研究任务中最大化可信度与一致性而构建的专有推理、推断与源建模引擎。在 PRISM 之上，是一个灵活的交互层，能够运行开放式定性访谈、单项选择调查、自定义评分量表以及 MaxDiff 等结构化强制选择方法。
在此基础设施中，产品与洞察团队可以创建代表细分目标买家的合成受众（Audience）。在 Minds 的研究（Study）中，联合分析以离散选择的方式执行：服务器生成 D 最优选择设计，让每个 Mind 在完整配置之间做选择，再用条件 Logit 模型估算每个属性水平的部分价值效用和属性重要性；如果某个设计无法单独估计各水平的效用，系统不会展开该设计。团队还可以直接输入产品文案、功能描述、界面截图和问卷参数，无需先花数周招募小众受访者。
Minds 中的所有合成研究产出均为方向性且依赖具体语境的反馈。它们能提供快速的探索性洞察，帮助创新团队在投入巨额预算进行高成本物理验证之前，提前淘汰劣质产品配置、压力测试定价假设并打磨产品概念。
尽管离散选择模型能提供强有力的结构化洞察，但研究团队必须谨慎地根据当前的决策阶段匹配相应的方法论。Minds 中的合成选择模型在概念生成、价值主张开发和功能范围界定阶段，能够提供前所未有的速度与敏捷迭代能力。它允许团队测试数十种属性组合，而无需承担高昂的受访者招募费用，也无需担心样本疲劳。
然而，对于严谨的决策而言，清晰界定证据边界依然至关重要：
方向性合成研究：非常适合在合成受众群体中进行敏捷迭代优化、假设生成、属性筛选、早期套餐设计以及方向性偏好图谱绘制。 招募真实人类受访者观察：建议用于深度情感人种学研究、实体产品包装的感官测试、触觉硬件评估以及口味或气味测试。 高风险决策验证：大规模实体样本库与实时市场试点是进行确定性销量预测、受监管宣传主张或具有约束力的定价承诺时不可或缺的最终把关手段。 通过将 Minds 的合成模拟用于前端快速发现，并在确有必要时结合实体研究，洞察团队能够在压缩创新周期的同时，维持严谨的治理标准。Minds 还会把每个受众与真实公开调查进行对照验证，给出 100 分制的得分和 95% 区间，帮助团队判断模拟结果的可信范围。
联合分析（Conjoint Analysis）：市场研究中使用的一系列更广泛的基于调研的统计技术，用于衡量消费者对单一产品功能所赋予的价值。 最大差异量表法（MaxDiff, Maximum Difference Scaling）：一种可执行的强制选择方法，受访者从指定列表中选出最具吸引力和最不具吸引力的项目，以确立偏好排名。 随机效用理论（Random Utility Theory）：一种理论经济学框架，认为个人选择是由确定性效用成分与未被观察到的随机误差共同决定的。 多项 Logit 模型（Multinomial Logit Model）：用于估计个人在多个备选方案中选择某一特定方案的概率的核心统计回归模型。 属性部分价值（Attribute Part-Worth）：分配给产品属性某一特定级别的数值效用，表示该级别对产品总体偏好的独立贡献程度。 陈述偏好（Stated Preference）：源自问卷调查中所展示的假设决策场景的研究数据，与从实际市场购买行为中收集的显示偏好（Revealed Preference）数据形成对比。 支付意愿（Willingness to Pay）：客户在不降低整体效用的前提下，愿意为获得升级功能级别或产品收益而支付的计算金额。 离散选择模型是一项关键的定量研究方法，用于深度剖析现实世界中消费者的权衡取舍，防止功能需求虚高，并优化多属性产品组合。通过在 Minds 合成研究平台上模拟这些选择环境，团队能够以极小的时间与费用成本，对复杂的定位、套餐与功能决策进行快速迭代。若想了解合成受众模拟如何加速您的定量研究工作流，请访问 getminds.ai 注册探索。相关术语可继续阅读基于选择的联合分析 和 MaxDiff 。
