通过将效用的误差项分解为潜在因素和噪声，我们开发了多项probit模型的参数化，从而更深入地了解潜在的决策过程。潜在因素是在没有测量系统的情况下确定的，它们可以与经济模型有意义地联系起来。我们提供了充分的条件，使这个结构可以被识别和解释。在推理方面，我们设计了一个基于边缘数据增强的马尔可夫链蒙特卡罗采样器。仿真实验表明，我们的采样器具有良好的数值性能，并揭示了替代识别限制的实际重要性。我们的方法通常可以应用于任何环境，其中研究人员可以在一些未观察到的异质性驱动程序上指定一个先验结构。其中一个例子是两个选项组合的选择，我们用教育和职业对的真实数据来探索。