R调用mlogit运行多元logit模型报错及与gmnl的差异

报错原因说明 #

该报错属于代码公式语法问题，与数据格式无关，你的dt1数据结构是正确的，否则gmnl()也无法正常运行。

mlogit包的mlogit()函数对公式语法有特殊要求，和gmnl()的规则不同：
mlogit()的公式标准结构为 选择变量 ~ 随备选方案变化的变量 | 随个体固定的变量 | 同时随个体和备选方案变化的变量，三个部分用竖线分隔，即使某部分没有对应变量，也需要显式标注为0，不能省略。

你当前写的Buy~norRebate没有明确区分变量所属的类型，函数自动解析公式时补全了多余的竖线，触发了语法解析错误。
你可以根据norRebate的变量属性调整公式即可解决报错：

• 如果norRebate是仅随备选方案变化的变量，使用公式：

mlogit(Buy ~ norRebate | 0, data = dt1)

• 如果norRebate是仅随个体变化的变量，使用公式：

mlogit(Buy ~ 1 | norRebate, data = dt1)

mlogit()和gmnl()的核心区别 #

• 支持的模型范围不同：mlogit()主要用于估计标准多元logit、巢式logit、基础混合logit等经典离散选择模型；gmnl()专门面向广义多元logit模型，除基础模型外，还支持随机参数异质性、异质性均值/方差、随机缩放系数等更复杂的异质性离散选择模型。
• 公式语法要求不同：gmnl()对公式的语法要求更宽松，不需要严格按三部分手动分隔，会自动识别变量类型；mlogit()对公式结构要求严格，必须明确分隔不同类型的自变量，否则会触发语法错误。
• 估计效率不同：mlogit()默认使用最大似然估计，混合logit场景下支持模拟最大似然；gmnl()针对复杂异质性模型做了专门优化，默认使用最大模拟似然估计，对高复杂度模型的估计效率更高。
• 数据格式兼容性一致：两个函数都兼容mlogit.data()生成的标准长格式离散选择数据集，不需要额外做数据转换。

内容的提问来源于stack exchange，提问作者Carey Li