A dynamic multinomial probit model for brand choice with different long‐run and short‐run effects of marketing‐mix variables
营销组合变量具有不同长期与短期效应的动态多项 Probit 品牌选择模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究动态多项 Probit 品牌选择，并使用家庭购买行为的面板数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
营销组合变量具有不同长期与短期效应的动态多项 Probit 品牌选择模型
- 研究问题
- 如何在家庭品牌选择中同时刻画选择持续性、消费者异质性，以及价格和促销活动可能不同的长期与短期影响？
- 方法与思路
- 作者让潜在感知效用遵循含当期及滞后解释变量的一阶向量误差修正过程，并在动态多项 Probit 中纳入家庭偏好异质性。
- 材料陈述的贡献
- 摘要称，模型允许促销的长期和短期效应不同；家庭购买面板应用中，其样本内拟合及样本外预测优于两类对照模型。
- 阅读关注点
- 核对潜在效用的尺度归一化、误差修正结构、家庭异质性的处理，以及长期效应的定义和样本外预测比较设计。
- 阅读边界
- Crossref 摘要未说明识别条件、估计算法和改善幅度；所述营销效应不能直接视为因果效应，其他版本变化亦无法判断。
原文摘要
Abstract In this paper we propose a dynamic multinomial probit model in order to estimate the long‐run and short‐ run effects of marketing mix variables on brand choice. The latent variables, which contain the unobserved perceived utilities, follow a first‐order vector error correction autoregressive process of order 1 with current and lagged explanatory variables. The unrestricted autoregressive parameter matrix concerns the intertemporal correlation in perceived utilities of households over purchase occasions and indicates the persistence in brand choice. As explanatory variables we consider relative prices and promotional activities like feature and display. An important and novel feature of our model is that it allows for different long‐run and short‐run effects of promotional activities, thereby extending the models that are currently available in the literature. Additionally, to account for different base preferences for brands across households, we allow for consumer heterogeneity. Our application concerns a panel of households choosing among several brands of a FMCG. Our estimated model turns out to be an improvement over a static model and over a model with only short‐run effects, in terms of in‐sample fit and out‐of‐sample forecasts. Copyright © 2000 John Wiley & Sons, Ltd.