Using Latent Class Choice Models for Posterior Inference of Attitude-Behaviour Relationships

态度与行为之间的关系是选择建模中讨论的关键议题，已持续二十年，并不断涌现越来越复杂的混合选择模型。本文提出一种务实且计算可行的替代框架，通过潜在类选择模型 (LCCM) 对态度-行为关系进行后验推断。与混合选择模型不同，我们不将态度构造嵌入结构模型，而是通过后验推断恢复每个类的特有态度轮廓。这种方法使分析师能够在不涉及集成估计时常出现的复杂性和收敛问题的情况下，探讨态度-行为关联。本文采用两个案例研究进行框架演示：一个关于员工选择远程工作的偏好，另一个关于公众接受新冠疫苗的程度。在两个研究中，我们比较后验概化指标均值、分数多项逻辑 (FMNL) 模型、因子表示以及混合规格。我们发现，后验推断方法在保持行为深度的同时，几乎没有增加额外的复杂性；而因子模型则风险会丢弃关键态度信息；完全信息混合模型在解释力上几乎没有什么收益，但估计负担显著增加。我们的发现表明，当目标是解释偏好异质性时，后验推断是混合模型的实用替代方案，既保留可解释性和稳健性，又不牺牲行为深度。