结合RRM联合分析法，综合考虑情境与行为经济学

RUM 和 RRM？不，我们说的不是海盗最爱的饮品及其怪异的表亲。随机效用模型（RUM）和随机后悔模型（RRM）是我们用于联合分析以预测选择的两种模型。

RRM 基于这样一种假设：消费者并非选择产品特征组合最优的选项（如 RUM 所假设的那样），而是为了避免因错失某些机会而产生的潜在遗憾。他们会将选择的背景因素纳入考量：选择能使在几个相关选项上的遗憾最小化的方案，而非追求效用最大化。对于某些消费者而言，RRM 或许更能准确反映其决策过程。

在《Quirk’s》杂志的文章 SKIM两位研究大咖Jeroen Hardon和Kees van der Wagt分享了如何将行为经济学融入模型，以提升预测精度。他们通过两项案例研究——一项关于健康保险，另一项关于平板电脑——展示了情境因素的重要性，并指出我们在做出选择时并不总是理性的。话虽如此，RRM模型本身也存在局限性。因此，或许混合解决方案才是正解。 继续阅读以获取答案。

利用RUM和RRM提升联合分析结果的预测效度

“在联合分析中，我们可以使用不同的模型来预测选择。 最常用的是一种随机效用模型（RUM），在该模型中，消费者会选择能为其提供最佳产品特征组合的产品。但RUM存在一些不足。本文探讨了将RUM与另一种模型——随机后悔模型（RRM）——相结合，以构建一个更稳健、更精确的模型。RRM假设消费者并非追求最优产品，而是旨在将因错失某些产品特征而产生的潜在后悔感降至最低。

这两种方法各有优缺点，在不同的市场情境下都或多或少具有适用性。为了提高联合分析结果的预测有效性，SKIM 通过两项案例研究对RUM和RRM进行了比较和整合，并提出了这样一个问题：“这种混合解决方案能否带来更贴近现实的结果？”