离散选择实验中纳入退出选项的影响

数据集获取

源站：https://doi.org/10.17026/DANS-ZAR-Q6XH

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

目的：确定在离散选择实验（DCE）中加入退出选项可能在多大程度上影响选择行为，并因此可能影响属性水平估计值、属性的相对重要性以及计算得出的权衡关系。方法：781名荷兰2型糖尿病患者完成了一份问卷，其中包含九个带有退出选项的选择任务以及若干强制选择任务。采用混合Logit模型估计所纳入的五个生活方式项目相关属性的相对重要性。计算支付意愿（WTP）值，并检验在问卷第一部分或第二部分回答带有退出选项的选择任务的受访者之间结果是否存在差异。结果：21.4%的受访者始终选择退出。在问卷第一部分获得退出选项的受访者以及受教育程度较低的受访者显著更频繁地选择退出。对于强制选择模型和非强制选择模型，不同属性均显示出显著估计值，且各属性的相对重要性相同。

然而，由于相对重要性权重存在差异，两个数据集之间对PA时间表的WTP值存在显著差异。结论：结果表明，基于退出选项的位置和受访者的教育水平，存在退出行为的差异；这导致强制选择模型与非强制选择模型之间出现小幅差异。由于受访者似乎通过回答强制选择任务进行学习，与提供直接退出选项相比，双重响应设计可能带来更高的数据质量。未来研究应通过实证方式探索如何呈现选择集，使其尽可能简单且降低复杂性，以减少因选择任务复杂性而选择退出的受访者比例。此外，未来研究应对受访者进行事后询问，以考察选择退出备选方案的原因。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。