通常应用回归或时间序列的方法进行分析（回归模型的例子，参考DickRWitti
ketal，1987；时间序列模型的例子，参考Abrahama
dLodish，1987）。由于回归技术易于操作的优点，所以在实际应用中被更多的研究人员所采用。个人购买历史数据（pa
eldata）通常使用MNL模型或Multi
omialProbit模型来分析（MNL的例子，参考Guadag
ia
dLittle，1983Multi
omialProbit的例子，参考Chitagu
ta，1992）。由于Mult
omialLogit模型更易于估计，所以应用更广泛。统计模型方法不仅得到了广泛的应用，营销学术界在这方面的研究也是最活跃的。统计模型方法的优点是结果相对准确、可靠，结果还可以用来对未来未执行的销售促销效果进行模拟、推断；缺点是分析较为复杂，而且对数据的要求也较高。本研究采用MNL模型作为分析工具，市场份额作为业绩指标，评估销售促销手段对市场份额增长的量化贡献。我们可以在两个层面上对销售促销的效果进行评估。一个层面是评
4
f估每一种促销手段为市场份额的增长做出的贡献；另一个层面是评估对每一种促销手段的投资回报。后者是最理想的评估方法。但是，由于我们没有销售促销成本的资料，无法进行。本文主要介绍关于前者的评估方法。一旦我们有了销售促销的成本数字，销售促销的投资回报便很容易从前者的分析中计算出来。3．MNL模型．31模型的界定麦克法登（McFadde
）在理论上证明了消费者从由多个不同的商品所构成的选择集（choiceset）中选择一个商品的概率可以用封闭的数学表达式来表达，这为MNL模型的广泛应用奠定了基础（McFadde
，1974）。MNL模型是当代营销研究中应用最多的统计模型。关于这个模型方法的系统介绍，请参考Be
Akivaa
dLerma
和Trai
的著作（Be
Akiva，1985；Trai
，2003）。在下面这个部分，我们将根据本研究的需要，给出模型的界定以及相应的估计方法。MNL模型的行为理论基础是随机效用理论（ra
domutilitytheory），这个理论认为人们在做决策时都是按照效用最大化（utilitymaximizi
g）的原则进行的（Thursto
e，1927）。消费者在选择购买某一类别的商品时通常要面对多个不同的商品，这些商品构成一个选择集，通常用C表示。在选择集中的每一个商品对他来说都会有一定的效用。消费者只会购买选择集中效用对他最大的那一个商品。假设我们用
来表示消费者，
1…N；选择集中一共有J个商品。我们把消费者
从商品j所获得的效用表示为U
j，j＝1…J。商品i被选中所必须满足的条件是：U
iU
j，其中j是指不包括商品i在内的选择集中的全部其r