นักเศรษฐศาสตร์กับการพยากรณ์พฤติกรรมการเลือก: แบบจำลองสำหรับเรื่องใกล้ ๆ ตัว

การตัดสินใจที่เป็นการเลือกทางใดทางหนึ่งนั้นมีอยู่ในชีวิตประจำวันมากมาย เช่น เลือกอาชีพ เลือกวิธีจ่ายเงิน (เงินสด เช็ค บัตรเครดิต internet banking หรือ PromptPay) เลือกวิธีเดินทางมาทำงาน (ขับรถ รถประจำทาง รถไฟฟ้า หรือ เรือด่วน) เลือกที่อยู่อาศัย เลือกช่องทางออมเงินเพื่อใช้หลังเกษียณ เลือกซื้อสินค้าต่าง ๆ รวมถึงการเลือกที่จะไม่ซื้อ บ่อยครั้งการเลือกเหล่านี้มีนัยสำคัญทางนโยบาย ตัวอย่างเช่น ในการลงทุนเพิ่มเส้นทางรถไฟฟ้าสายใหม่ รัฐต้องประมาณการว่าจะมีผู้มาใช้หรือไม่ และควรตั้งราคาเท่าใด หรือในการนำระบบจ่ายเงินแบบ PromptPay มาใช้ รัฐอาจจะอยากคาดการณ์ว่า ระบบนี้จะทำให้คนถือเงินสดน้อยลงมากน้อยเพียงใด ซึ่งต้องคาดการณ์ว่าคนที่เปลี่ยนมาใช้ PromptPay นั้นเดิมใช้วิธีใด ใช้ internet banking บัตรเครดิต หรือ เงินสด และหากมีผู้ใช้น้อย ก็อยากศึกษาว่าคุณลักษณะใดของระบบนี้ที่ยังทำให้คนลังเลที่จะเปลี่ยนมาใช้

งานเศรษฐศาสตร์ที่พยายามอธิบายพฤติกรรมการบริโภคในช่วงต้นนั้นไม่ได้อธิบายพฤติกรรมที่เป็นการเลือกทางใดทางหนึ่ง (discrete choice demand) งานทางทฤษฎีเป็นการอธิบายว่าผู้บริโภคควรจะบริโภคเท่าไหร่ (continuous demand) ภายใต้ทรัพยากรที่มีอยู่อย่างจำกัด จึงจะได้ความพอใจสูงสุด ส่วนงานเชิงประจักษ์ก็มักจะเป็นการวิเคราะห์ข้อมูลการบริโภคโดยรวมในระดับตลาดหรือประเทศ

ผลงานของ McFadden ในช่วงทศวรรษ 1960s–1970s ที่ทำให้ท่านได้รับรางวัลโนเบล คือ การสร้างแบบจำลองพฤติกรรมที่เป็นการเลือกทางใดทางหนึ่งซึ่งสอดคล้องกับทฤษฎีทางเศรษฐศาสตร์ และสามารถนำมาใช้ประมวลผลข้อมูลจริงและพยากรณ์การเลือกได้ (McFadden, 2001) แบบจำลองแรกของ McFadden เป็นที่รู้จักกันในนามว่า Multinomial Logit Model หรือ MNL (McFadden, 1974) โดย McFadden และทีมวิจัยที่ University of California, Berkeley ได้ทดสอบแบบจำลองนี้กับข้อมูลการเลือกวิธีเดินทางไปทำงานของชาว San Francisco Bay Area ก่อนระบบรถรางใหม่ (Bay Area Rapit Transit หรือ BART) จะเปิดใช้ ทีมของ McFadden พยากรณ์ว่าจะมีผู้เปลี่ยนมาใช้ BART 6.3% ขณะที่ทางการพยากรณ์ว่าจะมีผู้มาใช้ BART ถึง 15% เมื่อ BART เปิดใช้ ปรากฏว่าตัวเลขจริงของผู้เปลี่ยนมาใช้ BART อยู่ที่ 6.2% ซึ่งใกล้เคียงกับที่ MNL พยากรณ์ไว้มาก

ผู้อ่านที่ไม่คุ้นเคยกับ discrete choice analysis อาจจะสงสัยว่าเมื่อ BART ยังไม่เปิดใช้ แล้วนักวิจัยพยากรณ์การเปลี่ยนมาใช้ BART ได้อย่างไร โดยหลักการก็คือ MNL มองว่าทางเลือกแต่ละทางเลือกเป็นตะกร้าที่ประกอบด้วยคุณลักษณะต่าง ๆ เช่น ตะกร้าของ BART ประกอบด้วยค่าใช้จ่าย ระยะเวลาเดินทาง ระยะที่ต้องเดิน หากนักวิจัยมีข้อมูลเก่าซึ่งเอามาคำนวณได้ว่า จากพฤติกรรมการเลือกในอดีต ผู้บริโภคให้น้ำหนักกับคุณลักษณะแต่ละอย่างเท่าใด เมื่อนักวิจัยมีข้อมูลคุณลักษณะของทางเลือกใหม่ ก็จะสามารถพยากรณ์ว่าผู้บริโภคน่าจะเลือกทางเลือกใดมากที่สุด ซึ่งจริง ๆ แล้ววิธีการก็คล้ายกับวิธีของการตลาดเก่ง ๆ ที่เมื่อเราซื้อของหรือหนังสือบางอย่าง ก็จะมาโฆษณาให้ซื้อสินค้าอื่นที่มีคุณลักษณะคล้ายกัน อาจจะเป็นยี่ห้อเดียวกัน ราคาใกล้เคียง หรือหนังสือหัวข้อคล้ายกัน

แน่นอนว่าการพยากรณ์จะต้องมีข้อสมมติบางอย่าง แบบจำลอง MNL อธิบายว่าพฤติกรรมการเลือกของแต่ละบุคคลนั้น เป็นผลจากการที่ผู้บริโภคเปรียบเทียบทางเลือกต่าง ๆ โดยนำน้ำหนักของคุณลักษณะต่าง ๆ มาบวกรวมกันเป็นความพอใจหรืออรรถประโยชน์ของทางเลือกแต่ละทางเลือกก่อน แล้วจึงเลือกสิ่งที่ให้อรรถประโยชน์สูงที่สุด (maximize expected utility) น้ำหนักที่ผู้บริโภคให้กับทางเลือกต่าง ๆ นั้นอาจจะเป็นลบสำหรับคุณลักษณะที่ผู้บริโภคไม่ชอบผู้บริโภคที่มีรายได้ อายุ หรือ การศึกษา ที่ต่างกันก็อาจจะให้น้ำหนักกับคุณลักษณะต่าง ๆ ไม่เหมือนกัน ในการคำนวณนี้ผู้บริโภคได้ให้น้ำหนักกับคุณลักษณะบางอย่างที่นักวิจัยไม่ทราบเอาไว้ด้วย (unobserved attributes) ซึ่งมักจะขึ้นกับรสนิยม ประสบการณ์ และทัศนคติ เช่น คนที่เคยโดนขโมยโทรศัพท์ขณะรอรถเมล์ ก็อาจจะรู้สึกไม่ชอบระบบขนส่งสาธารณะมาก ๆ ปัจจัยเหล่านี้ถูกรวมอยู่ในตัวคลาดเคลื่อน (disturbance term) ของแบบจำลอง discrete choice

MNL นั้นถูกใช้อย่างแพร่หลายเพราะมีสูตรการคำนวณความน่าจะเป็นที่ง่าย (ซึ่งจำเป็นในช่วง 1970s ซึ่งในช่วงนั้น คอมพิวเตอร์ยังประมวลผลได้ไม่เร็วนัก) แต่ก็มีข้อจำกัดหลัก ๆ สองข้อ

ข้อแรก MNL สมมติว่า disturbance term ของแต่ละทางเลือก (ซึ่งสะท้อนน้ำหนักที่ผู้บริโภคให้กับคุณลักษณะที่นักวิจัยไม่ทราบ) ไม่มีความเกี่ยวข้องกัน แต่ในความเป็นจริงบางทางเลือกอาจจะมีความคล้ายกันมากกว่าทางเลือกอื่น ข้อสมมตินี้ทำให้การพยากรณ์การเลือกทางเลือกทดแทน (substitution pattern) ไม่ใกล้เคียงความเป็นจริงนัก ยกตัวอย่าง กรณี BART เดิมชาว Bay Area มีทางเลือกหลัก ๆ 3 ทาง คือ ขับรถคนเดียว ขับรถโดยมีเพื่อนร่วมทาง (carpool) และรถเมล์ เมื่อ MNL พยากรณ์ว่า BART ดึงส่วนแบ่งตลาดมา 6.3% ก็จะพยากรณ์ด้วยว่า ส่วนแบ่งจากทางเลือกอื่น ๆ จะลดลงอย่างละ 6.3% ในความเป็นจริง BART น่าจะเป็นทางเลือกที่มาแทนรถเมล์มากกว่าทางเลือกอื่นเพราะเป็นระบบขนส่งสาธารณะเหมือนกัน กรณีการเลือกวิธีจ่ายเงินก็เช่นเดียวกัน วิธีจ่ายเงินที่เป็น electronic payment ด้วยกัน เช่น บัตรเครดิต internet banking หรือ PromptPay ก็น่าจะมีปัจจัยที่นักวิจัยไม่ทราบที่มีความคล้ายกันมากกว่าการจ่ายเงินสด

แบบจำลองในช่วงหลัง เช่น Nested logit หรือ Multinomial Probit Model ซึ่งสมมติให้ disturbance terms จากทางเลือกต่าง ๆ มีความเกี่ยวข้องกันได้พยากรณ์ substitution pattern ได้ใกล้ความเป็นจริงมากขึ้น (ดูรายละเอียดใน Train 2003)

ข้อจำกัดอีกข้อของ MNL คือ MNL ให้ได้เพียงภาพของ average taste เท่านั้น ซึ่งไม่สามารถสะท้อนถึงรสนิยมที่หลากหลายสำหรับผู้บริโภคได้ (unobserved taste heterogeneity) แต่ในบางสถานการณ์ การเห็นภาพของผู้บริโภคทั้งหมดเป็นสิ่งสำคัญ เช่น บริษัทโทรศัพท์มือถือที่กำลังคิดว่าจำเป็นต้องผลิตโทรศัพท์สองขนาดหรือไม่ หากมีข้อมูลว่าครึ่งหนึ่งของกลุ่มตัวอย่างมักจะเลือกโทรศัพท์ขนาดใหญ่ อีกครึ่งหนึ่งมักจะเลือกขนาดเล็ก ผลของ MNL จะแสดงว่า ขนาดไม่มีความสำคัญต่อการเลือกโทรศัพท์ซึ่งจะทำให้บริษัทตัดสินใจผิดพลาดได้

งานวิจัยช่วงต่อมานำเสนอแบบจำลองใหม่ ๆ หลายแบบ ซึ่งสามารถแก้ข้อจำกัดข้อแรกและสะท้อนถึงรสนิยมที่หลากหลายของผู้บริโภค สองแบบจำลองที่เป็นที่นิยม ได้แก่ แบบจำลอง latent class (Kamakura and Russell, 1989) และ mixed logit หรือ random coefficient logit (McFadden and Train 2000) แบบจำลอง latent class สมมติว่าภายใต้ข้อมูลการเลือกนั้นมีผู้บริโภคหลาย ๆ กลุ่ม (class) ซ่อนอยู่ โดยผู้ที่อยู่ในกลุ่มเดียวกันมีรสนิยมแบบเดียวกัน ส่วนแบบ จำลอง mixed logit นักวิจัยมีอิสระในการเลือก distribution ของน้ำหนักของคุณลักษณะต่าง ๆ ได้

การเลือกแบบจำลองนั้นมีผลต่อค่าประมาณการการกระจายตัวของน้ำหนักที่ผู้บริโภคให้กับคุณลักษณะต่าง ๆ ดังแสดงในรูปที่ 1 โดยทั้งสี่ภาพในรูปนี้มาจากข้อมูลชุดเดียวกัน ภาพบนซ้าย คือ ผลจาก MNL ซึ่งสมมติว่าทุกคนมีรสนิยมเหมือนกัน ภาพบนขวา คือ ผลจาก latent class ซึ่งแสดงการกระจายตัวของผู้บริโภคเป็นกลุ่ม ๆ ส่วนภาพล่างซ้าย เป็นการประมาณการจาก mixed logit ซึ่งสมมติว่าค่าน้ำหนักถูกสุ่มมาจาก normal distribution รูปนี้แสดงให้เห็นข้อได้เปรียบและข้อจำกัดของแบบจำลองทั้งสอง latent class มีความยืดหยุ่นมากกว่าในแง่ของรูปร่างของ distribution ขณะที่การสมมติว่าเป็น normal distribution เป็นการบังคับให้การกระจายตัวมีรูปร่างคล้ายระฆังคว่ำ ข้อเสียเปรียบของ latent class คือ มักจะประมาณการจำนวนกลุ่มของผู้บริโภคต่ำกว่าความเป็นจริง แบบจำลองที่พัฒนาขึ้นมาอีกจึงเป็นการดึงข้อดีของทั้ง latent class และ mixed logit มารวมกัน เช่น แบบจำลอง Generalized MNL (Fiebig et al 2010) และ mixture-of-normal mixed logit (Train 2008, Keane and Wasi, 2013) ซึ่งแบบจำลองนี้ (ภาพล่างขวา) สะท้อนพฤติกรรมและรสนิยมของผู้บริโภคได้ดีที่สุดสำหรับข้อมูลในตัวอย่างนี้

งานเชิงประยุกต์ที่อาศัยแบบจำลอง discrete choice นั้นมีจำนวนมาก ผู้เขียนขอยกตัวอย่างงานเพียงบางส่วนเท่านั้น ในเรื่องการเลือกวิธีการจ่ายเงิน Ching and Hayashi (2010) ศึกษาผลของโครงการสะสมแต้มรางวัล (reward program) ต่อการเลือกใช้เงินสด เช็ค บัตรเครดิต บัตรเดบิตแบบใช้ pin หรือบัตรเดบิตแบบเซ็นชื่อ โดยในการวิเคราะห์ใช้ข้อมูลทั้งลักษณะของผู้บริโภค คุณลักษณะของวิธีจ่ายเงิน ชนิดของร้านค้า และข้อมูลทัศนคติ เช่น เป็นวิธีที่ใช้ง่ายหรือไม่ รวดเร็วหรือไม่ ปลอดภัยหรือไม่ ผลพบว่าหากบัตรเครดิตหรือเดบิตยกเลิก reward program ก็ไม่ได้เสียลูกค้าไปมากนัก

Wasi and Carson (2013) ประเมินนโยบายของรัฐบาลออสเตรเลียที่จ่ายเงินชดเชย (rebate program) เพื่อเป็นแรงจูงใจให้คนเปลี่ยนเครื่องทำน้ำร้อนจากประเภทไฟฟ้าซึ่งปล่อยก๊าซเรือนกระจกมากมาเป็นประเภทที่เป็นมิตรกับสิ่งแวดล้อม เช่น solar, heat pump หรือ แก๊ส ผลพบว่า rebate มีผลให้คนเลิกใช้เครื่องทำน้ำร้อนไฟฟ้าจำนวนมาก แต่นโยบายนี้น่าจะมีต้นทุนการลดก๊าซเรือนกระจกที่สูงเกินความจำเป็น เพราะผู้คนส่วนหนึ่งก็มีแนวโน้มที่จะเปลี่ยนมาใช้เครื่องทำน้ำร้อนประเภทอื่นอยู่แล้วแม้ว่าจะไม่มี rebate

Small et al. (2005) ศึกษาว่าหากผู้ใช้รถต้องเดินทางในเส้นทางที่รถติด จะเลือกอะไรระหว่างถนนปกติที่ไม่เสียค่าผ่านทางและทางด่วนซึ่งเก็บค่าผ่านทาง และมีความเต็มใจที่จะจ่ายเพื่อประหยัดเวลา และลดความไม่แน่นอนเท่าใด ผลพบว่าผู้ใช้รถมีความหลากหลายในความเต็มใจที่จะจ่ายมาก ซึ่งเป็นการสนับสนุนว่าการออกแบบถนนให้มีทั้งถนนปกติและทางด่วนราคาต่าง ๆ ซึ่งราคาแปรผกผันกับเวลาเดินทางและความไม่แน่นอนจะเป็นประโยชน์กับผู้ใช้ถนนมากขึ้น

Kornstad and Thoresen (2007) ศึกษาผลกระทบของมาตรการสนับสนุนให้ผู้หญิงเลี้ยงลูกอยู่กับบ้านต่อแรงงานหญิงในประเทศนอร์เวย์ โดยแรงงานหญิงที่มีลูกก่อนวัยเรียนจะต้องเลือกชนิดของงานที่จะทำและสถานเลี้ยงเด็กไปพร้อม ๆ กัน หากเลือกที่จะไม่ทำงานและเลี้ยงลูกที่บ้านก็จะได้รับเงินสนับสนุนจากรัฐเพิ่มขึ้น ผลพบว่านโยบายนี้ทำให้ตลาดแรงงานสูญเสียแรงงานหญิง 9%

พฤติกรรมการเลือกนั้นไม่ได้จำกัดอยู่แค่ผู้บริโภค แต่อาจจะเป็นการตัดสินใจระหว่างทางเลือกต่าง ๆ ของบริษัทด้วย เช่น Head and Mayer (2004) ทดสอบทฤษฎีทางเศรษฐศาสตร์การค้าที่ว่า ศักยภาพของตลาด (หรือ market potential ซึ่งคำนวณมาจากขนาดและระยะทางของตลาดในบริเวณใกล้เคียง รวมถึงภาษีศุลกากรชายแดนและที่ตั้งของบริษัทคู่แข่ง) เป็นปัจจัยที่สำคัญในการเลือกที่ตั้งของโรงงาน ผลจากข้อมูลการเลือกเขตที่จะลงทุนของบริษัทญี่ปุ่นใน European Union พบว่า ศักยภาพของตลาดมีความสำคัญ แต่ปัจจัยอื่น เช่น จำนวนบริษัทในอุตสาหกรรมเดียวกัน หรือจำนวนบริษัทที่มาจากประเทศเดียวกัน ก็มีความสำคัญไม่แพ้กัน

แบบจำลองที่กล่าวถึงข้างต้นยังอยู่ในกรอบของ rational choice นั่นคือ ยังสมมติว่าผู้บริโภคฉลาดรอบคอบ ทราบว่าตนเองมีทางเลือกอะไรบ้าง เข้าใจคุณลักษณะทั้งหมดของทางเลือก สามารถนำข้อมูลเหล่านี้มาประมวลผลเป็นอรรถประโยชน์ของแต่ละทางเลือก และเลือกสิ่งที่ดีที่สุด ทั้งนี้ งานวิจัยในช่วงหลังเริ่มพบหลักฐานเชิงประจักษ์ว่าผู้บริโภคไม่ได้ใช้เหตุผลหรือมีความสามารถในการตัดสินใจตามที่นักเศรษฐศาสตร์สมมติไว้ (Abaluck and Gruber, 2011) ผู้บริโภคอาจใช้กฎการเลือกง่าย ๆ (heuristic rule) เช่น เลือกอันที่ถูกที่สุด โดยไม่สนใจคุณลักษณะอื่น ๆ (Hensher and Greene, 2010) เลือกสิ่งที่ใช้อยู่ในปัจจุบัน (status quo bias) (Kahneman et al 1991) เลือกสิ่งที่เป็น default option (Madrian and Shea, 2001)

นอกจากนี้ ในปัญหาที่ค่อนข้างซับซ้อน เช่น การเลือกช่องทางออมเงินเพื่อใช้หลังเกษียณ มีหลักฐานจำนวนมากว่าผู้บริโภคสับสนและขาดความรู้ทางการเงิน (Keane and Thorp, 2016) Lusardi and Mitchell (2014) พบว่าไม่ถึงครึ่งของชาวอเมริกันที่คนอายุ 50 ปีขึ้นไปสามารถตอบคำถามเกี่ยวกับการเงินเบื้องต้น เช่น เรื่องดอกเบี้ย ความเสี่ยง และ เงินเฟ้อ ได้ถูกต้อง Bateman et al (2014) พบว่า วิธีอธิบายความเสี่ยงของการลงทุนในกองทุนต่าง ๆ มีผลต่อการเลือกกองทุนเพื่อออมเงินไว้ใช้หลังเกษียณมากกว่าระดับความเสี่ยงที่แท้จริง

ท้ายนี้ผู้เขียนขอให้ข้อสังเกตสำหรับผู้ที่สนใจจะทำงานด้าน discrete choice analysis ดังนี้

ข้อแรก สำหรับผู้ที่ไม่คุ้นเคยกับ discrete choice analysis การแปลผลต้องใช้ความระมัดระวัง ในการประมาณการว่าคุณลักษณะบางอย่างมีความสำคัญต่อการเลือกแค่ไหน นักวิจัยไม่สามารถอ่านแค่ค่าสัมประสิทธิ์ (น้ำหนัก) ของคุณลักษณะนั้น แต่ต้องประมาณการว่าเมื่อคุณลักษณะนั้นเปลี่ยนแปลง โอกาสที่ผู้บริโภคจะเลือกทางเลือกแต่ละทางและส่วนแบ่งตลาดเปลี่ยนไปอย่างไร

ข้อสอง สำหรับผู้ที่มีโอกาสออกแบบแบบสอบถามเก็บข้อมูลเอง นอกจากข้อมูลลักษณะของผู้เลือก นักวิจัยควรพยายามเก็บข้อมูลทางเลือกที่ผู้บริโภคมี (choice set) และคุณลักษณะของทางเลือกด้วย คุณลักษณะต่าง ๆ ของทางเลือกเป็นข้อมูลที่น่าสนใจสำหรับงานเชิงนโยบาย เพราะเป็นสิ่งที่รัฐเปลี่ยนได้ง่ายกว่าลักษณะของผู้บริโภค เช่น การเพิ่มทางเลือกในการออมเงินย่อมง่ายกว่าการส่งเสริมการออมโดยการเพิ่มรายได้ของผู้บริโภค

ข้อสาม แม้งานด้าน discrete choice analysis จะก้าวหน้ามามาก แต่ก็ยังมีช่องว่างสำหรับงานวิจัยในอนาคต เช่น การทดสอบว่าการเลือกของผู้บริโภคสมเหตุสมผลหรือไม่มีเหตุผลนั้นตอบได้ยาก โดยเฉพาะในกรณีที่ผู้บริโภคมีรสนิยมหลากหลายการที่บางคนเลือกโดยดูเพียงราคาหรือคุณลักษณะที่ตัวเองชอบเพียงอย่างเดียวก็ไม่ได้หมายความว่าไม่มีเหตุผล ซึ่งการที่ผู้บริโภคมีความชอบและกระบวนการตัดสินใจที่หลากหลาย ก็จะมีประเด็นให้คิดต่อว่าการแทรกแซงของรัฐที่เหมาะสมควรจะเป็นอย่างไร ทุกคนจึงจะมีสวัสดิภาพดีที่สุด

งานทั้งหมดที่กล่าวมา เป็นเพียงส่วนหนึ่งของแบบจำลองที่เกี่ยวกับพฤติกรรมการเลือก ยังมีแบบจำลองที่มีความเกี่ยวข้องกับการเลือกที่ผู้เขียนไม่ได้เล่าถึงอีกจำนวนมาก เช่น discrete-continuous model สำหรับการเลือกที่มีการผสมทั้งการเลือกอะไรและเมื่อเลือกแล้วบริโภค (หรือใช้บริการ) เท่าใด หรือ dynamic discrete choice model สำหรับการเลือกในสถานการณ์ที่การเลือกในปัจจุบันอาจจะกระทบสถานะ จำนวนทางเลือก และคุณลักษณะของทางเลือกในอนาคต

Abaluck, J. and J. Gruber (2011): “Choice inconsistencies among the elderly: evidence from plan choice in the Medicare Part D program.” The American economic review, 101(4), 1180–1210.

Bateman, H., C. Eckert, J. Geweke, J. Louviere, S. Satchell, and S. Thorp (2014): “Financial competence, risk presentation and retirement portfolio preferences.” Journal of Pension Economics and Finance, 13(01), 27–61.

Ching, A. T. and F. Hayashi (2010): “Payment card rewards programs and consumer payment choice.” Journal of Banking & Finance, 34(8), 1773–1787.

Fiebig, D. G., M. P. Keane, J. Louviere and N. Wasi (2010): “The generalized multinomial logit model: accounting for scale and coefficient heterogeneity.” Marketing Science, 29(3), 393–421.

Head, K. and T. Mayer (2004): “Market potential and the location of Japanese investment in the European Union.” Review of Economics and Statistics, 86(4), 959–972.

Hensher, D. A. and W. H. Greene (2010): “Non-attendance and dual processing of common-metric attributes in choice analysis: a latent class specification.” Empirical economics, 39(2), 413–426.

Kamakura, W. A. and G. Russell (1989): “A probabilistic choice model for market segmentation and elasticity structure.” Journal of Marketing Research, 16,379–390.

Kahneman, D., J.L. Knetsch and R. H. Thaler (1991): “Anomalies: The endowment effect, loss aversion, and status quo bias.” The journal of economic perspectives, 5(1), 193–206.

Keane, M. P. and S. Thorp (2016): “Complex Decision Making: The Roles of Cognitive Limitations, Cognitive Decline, and Aging.” Handbook of the Economics of Population Aging, 1, 661–709.

Keane, M. and N. Wasi (2013): “Comparing alternative models of heterogeneity in consumer choice behavior.” Journal of Applied Econometrics, 28(6), 1018–1045.

Kornstad, T. and T. O. Thoresen (2007): “A discrete choice model for labor supply and childcare.” Journal of Population Economics, 20(4), 781–803.

Lusardi, A. and O. S. Mitchell (2014): “The economic importance of financial literacy: Theory and evidence.” Journal of Economic Literature, 52(1), 5–44.

Madrian, B. C. and D. F. Shea (2001): “The power of suggestion: Inertia in 401 (k) participation and savings behavior.” The Quarterly Journal of Economics, 116(4), 1149–1187.

McFadden, D. (1974): “Conditional logit analysis of qualitative choice behavior”. In: Zarembka, P. (Ed.), Frontiers in Econometrics. Academic Press, New York

McFadden, D. and K. Train (2000): “Mixed MNL models for discrete response.” Journal of applied Econometrics, 447–470.

McFadden, D. (2001): “Economic choices.” The American Economic Review, 91(3), 351–378.

Small, K. A., C. Winston and J. Yan (2005): “Uncovering the distribution of motorists’ preferences for travel time and reliability.” Econometrica, 73(4), 1367–1382.

Train, K. (2003): “Discrete choice methods with simulation.” Cambridge university press.

Train, K. E. (2008): “EM algorithms for nonparametric estimation of mixing distributions.” Journal of Choice Modelling, 1(1), 40–69.

Wasi, N. and R. T. Carson (2013): “The influence of rebate programs on the demand for water heaters: The case of New South Wales.” Energy Economics, 40, 645–656.