从经济含义上说，条件logit本质上是为了给各个alternative赋予各人的平均效用进行更好的描述，普通logit对于各个alternative的平均效用描述是用截距，也就是说，描述得不够好，用更多参数会拟合得更好，所以要用条件logit

条件logistic 就是有配比的logistic模型 一般用于分层配对的资料分析

conditional logit 就是说你的解释变量x随着被解释变量选择的不同而改变。

昨天又看了下，stata里面的clogit和我理解的不一样，它的clogit是相当于把所有的效用函数用一个同一个方程去表示，比如help clogit里面的那个例子clogit low lwt nonwhite smoke ptd, group(pairid)，效用方程就是
U_ni=b_1*lwt+b_2*nonwhite+b3*smoke+b4*ptd。正因为这样，所以所有的自变量都必须是非个体特征的东西，也就是要在每个id下也变动，这样的话，如果有一项个体特征你要写入方程，比如年龄，就必须用非基准选择构建dummy变量，U_ni=b_1*lwt+b_2*nonwhite+b3*smoke+b4*ptd+dummy_{选择1}*age+dummy_{选择2}*age……这样就用一个方程描述了所有效用函数，才能使用clogit。

我本来以为clogit是McFadden's choice model，不过好像stata用的另外一个asclogit来实现这个模型。

条件logit模型解决的问题与它们是不同的，在解释变量存在非个体特征的东西时用来回归的模型。