联合分析分步指南。
构建联合分析并不像看起来那样困难。正如我们在之前的一篇文章中所描述的，在构建它时需要考虑一些事情。对于联合分析来说，重要的是，步骤之间要像一个拼图的碎片一样相互配合。就像如果你没有选择合适的材料，你就无法建造一座房子一样，如果这些步骤不能相辅相成，联合分析也不会那么有效。为此，可能有必要回到前面的一个步骤并调整它。整个设计是一个迭代的过程。
步骤1:问题和属性
在每个联合分析的开始，您应该定义问题并找到您想要收集的属性。这一点非常重要，因为问题决定了联合分析的目的，这在某些方面已经限制了您。无论你是想预测市场份额，还是想了解你的客户，对于每一种情况，你都需要不同的互补成分来实现它。当您想要了解一个客户时，您很可能需要在步骤2中选择一个部分价值模型，因为这个模型是最简单的，它使您能够以简单的图形表示偏好。然而，如果您想要预测市场份额，那么零件价值模型可能无法推广到特殊情况，您可能需要一个混合模型。
在您充分定义了问题之后，选择与您的目的相关的正确属性并尽量将自己限制在真正必要的属性上是至关重要的。有一个领域专家来决定必要的属性可能就足够了，但是与消费者进行面谈以从他们的角度确定相关属性可能会更有好处。对于每个属性，您应该确定它是什么类型(分类的、顺序的和连续的)，以及您期望效用与该属性之间的关系(线性的、二次的……)此外，您应该查看变量，看看是否期望有任何交互作用，以及是否存在问题感知到的相关性可能发生。感知相关性描述的是这样一种现象，即消费者期望属性之间存在相关性，而实际上它们之间并不存在相关性。例如，消费者倾向于认为一辆昂贵的车一定比一辆便宜的车好，即使它们可能是一样的。感知的相关性会使你的联合分析产生偏差，使其不那么有效。最后，你应该思考你的属性是否包含了效用中所有重要的可变性，例如，是否包含了决定购买决策的所有相关变量。
第二步:偏好模型
当谈到建模偏好时，您通常可以在5个基本模型之间进行选择。这一步是关于决定你要如何为消费者的偏好建模，例如，消费者是如何在他的头脑中做出决定的。这个想法是选择一个尽可能类似于他的内部决策方式的模型，例如复制他的内部思考决策的方式。你的模型越接近消费者的实际决策方式，你的结果就越好。虽然我们希望选择最接近消费者消费方式的模式，但也有其他考虑因素。例如，有些模型更容易理解和呈现，有些模型提供了明确的行动方向，有些模型更好地补充了其他步骤。下面是一些可以应用的模型的简要概述:
- 矢量模型
一个基本的简单模型，适用于许多目的。然而，基本级别不允许更复杂的关系。
- 解模型
理想点模型假设只有一个理想偏好的属性组合可以通过与该属性的距离来评定。属性的组合越远，优先级越低。根据假设的不同，也可以使用不同的距离度量，如二次元距离或曼哈顿距离，这取决于假设。理想点模型的优点是顾客的偏好可以在地图上画出来，而且很容易呈现出来。
- Part-worth函数模型
部分价值模型遵循的是边际效用从经济学。这意味着它不给出一个选项效用的绝对值，而是假设有一个参考选项。所有其他选项都是相对于引用值进行评估的，例如，如果我们将引用选项的特定属性更改为其他值，那么实用程序会发生多大的变化。部分价值模型中的所有估计都是基于等距量表．这使得基于部分价值模型进行预测变得非常困难。然而，部分价值模型还有其他一些优点。它们可以图形化地表示，可以计算属性的相对重要性，它们与分数析因设计兼容，它们为如何改进产品提供了明确的建议。
- 混合模型
混合模型提供了建模的全部可能性，并与任何类型的回归模型相同。它可以包含交互作用、因子、连续变量、任何类型的转换(对数、二次、指数等)。这种复杂性使我们能够对更复杂的属性-效用关系进行建模，并更容易做出预测。然而，它也有缺点。一个人必须知道什么程度的复杂性是合适的，以及如何使用它，否则，建议坚持更简单的方法。此外，根据复杂程度的不同，以后将其与其他组件组合起来可能会更加困难。考虑到复杂性，可能很难理解消费者，并且可能更难将结果呈现给其他人。
- 自定义模型
定制模型描述了一些特殊情况，在这些情况下，已经开发了自己的模型，前面提到的模型已经改编或组合。如果已经有关于消费者如何做决定的知识，他们应用什么心理规则，他们如何做决定，那么定制模型可能是一个很好的方法。例如，您知道客户分两个步骤做出决策，首先他有k.o.标准，排除了所有满足标准的选项，然后选择效用最大化的选项。另一个例子是满意，您的客户选择满足最低标准的第一个选项，而不是遍历所有选项并选择理想的选项。自定义模型使您能够使模型适应于每个特定的实例，但是，它们与所有其他步骤的兼容性是比较困难的。定制模型由真正的决策心理学专家应用是绝对必要的，因为模型仍然需要科学有效
步骤3:数据收集
数据收集步骤处理如何从客户获得数据。这里有三种一般的选择，每一种都有优点和缺点。
- 权衡
在权衡表示中，为每一对属性向客户显示这两个属性级别的每一种组合。然后，客户从最喜欢的组合到最不喜欢的组合，或对它们进行评分。权衡分析的优点是，您可以获得关于属性如何对整体效用、交互和非线性做出贡献的精确深入的图像。然而，这可能会导致选择过载(假设你有4个属性，每个属性有3个级别，你的客户将需要54个组合)。此外，这并不是一个关于如何做出决策的现实场景。
- 概念评价
在概念评估中，一次呈现一个具有所有属性的完整备选方案，消费者必须根据自己的偏好对备选方案进行评估或排序。这种方法更实际，但可能导致信息过载。如果一个人同时面对几个选项，他可能很难把所有的信息都考虑进去。
- 选择使
选择选项类似于概念评估，但不同的是，通常是一个两个或两个以上的选项呈现给客户，客户必须做出选择，例如，他真的会买哪一个。这种方案的明显优势是首先收集选择数据，而且更现实。
在这一点上需要考虑的其他因素是，例如，你想要如何收集数据(询问参与者本人，在线问卷，给他们两种产品，然后他们可以测试和决定……)，你如何使你的场景尽可能真实?
步骤4:提出备选方案
在这种意义上，现实意味着您创建的场景与实际客户在做出购买决定时所面对的环境相似。尽可能现实的另一种方法是，您希望让您的客户尽可能容易地理解替代方案，以便他能够尽可能准确地估计自己的分数。对于替代方案的表述，你同样有三个选择:
- 概述
概览的优点是它以简短而简洁的方式展示了所有重要的数据。然而，这种方法通常是不现实的，而且没有文本的值可能会被误解。
- 段
段落描述提供了增加更丰富的描述和避免误解的机会。它还提供了测试不同措辞方式的可能性。然而，它也可能很容易导致信息过载，不是每个消费者都会花时间阅读所有的东西。
- 照片或视频
图片或视频是可以减少选择过载的选项。然而，它并不一定提供任何确凿的事实，而且如果您正在尝试一个场景，而该产品还不存在，则可能很难展示一个示例。此外，这个选项可以被认为比前两个选项更昂贵。
最后，您应该考虑用户将如何处理您向他呈现的场景所提供的信息。一般来说，您希望使信息的表示尽可能真实，但与此同时，您希望避免信息过载．信息过载可能会使结果对个人产生偏差，因为他根本不知道如何估计效用，因为信息太多，无法形成意见。此外，如果您按一定的顺序排列类别，首先出现的类别可能会变得更重要，因为客户并不真的寻找所有的类别，因此使用这个来构建一个截止规则(满意)，或使用此值作为锚值来求以下值(光环效应)．您呈现属性的方式也可能对感知到的相关性．
步骤5:实验设计
最后，根据您选择的数据模型，您还需要指定一个实验设计。这一步不应被低估。例如，如果您选择将首选项表示为部分价值模型或混合模型，则尤其如此。设计实验的艺术是小人物所熟悉的，因此我建议你坚持全阶乘或最大分数阶乘设计，如果你没有任何特定的经验或没有实验科学博士学位。您可以在本博客的其中一篇文章中找到关于如何在R for的全阶乘设计和分数阶乘设计上创建自己的设计的解释和逐步指导。
这里有三个主要的考虑因素。首先，您应该查看在第1步中准备的属性列表，并询问是否期望产生任何重要的交互效果。如果确定在属性之间有几个重要的交互作用，那么分数析因设计将产生有偏差的结果，并且不能使用。在这种情况下，要么更改想要考虑的属性，要么进行全阶乘设计。如果您期望没有显著的交互作用，则可以在分数阶乘设计和全阶乘设计之间进行选择。
其次，如果您决定采用混合模型解决方案，您将需要考虑是否需要包括任何转换(记录变量、二次变量等)。如果是这种情况，那么您可能需要进行更多数量的试验运行，并且可能需要减少属性的数量。请注意，包含这些变量通常会使结果的解释更加困难。
第三，你需要考虑实验的规模。实验设计的时间越长，运行次数越多，对客户来说就越累。想象一下，您需要为100种仅有细微差别的产品确定评级。我敢打赌，在某种程度上，你不会再把它当回事，犯错误或开始输入只是为了完成评分。这就是部分阶乘设计与全阶乘设计相比的明显优势。如果你有3个级别的4个属性，你可能很快就会得到3个4总共运行81次，而分数阶乘设计，顾名思义，使您能够减小大小，只运行总运行量的一部分。这只有在属性之间没有重要的交互时才有可能。
步骤6:测量量表
最后，衡量尺度也取决于你选择的方法。举个具体的例子，如果联合分析的目标是了解消费者，而您选择使用部分价值模型，那么理想的度量尺度将是分类的或最大序数的。如果您决定使用分数阶乘设计，通常也是这种情况。在这种情况下，也有必要使用序数变量，只有在特殊情况下，如果您希望属性完全线性，则可以使用连续变量。
另一方面，如果您的目标是预测未来的市场偏好份额，那么序数量表可能是不够的，因为您将面临预测具有超出所选属性级别属性的替代品的效用的问题。例如，您希望预测总RAM为32GB的膝上型电脑的最大效用(这样的膝上型电脑是存在的)，但是在构造效用函数时，您只包含属性RAM的4G、8GB和16GB级别。那么，对于没有这三种内存级别的笔记本电脑，比如32GB内存的笔记本电脑，您将无法预测其实际效用得分。
步骤7:估算方法
有很多方法可以应用到评估方法中，它最终取决于您所选择的偏好的模型，因为您无法用所有的方法估计所有的模型。最后的方法将根据前面选择的模型，为特定的人或他或她的偏好映射派生出个人属性的重要性和分数。
除了prepremap, Linmap, Johnson的权衡算法，Monanova, probit和逻辑回归，最实用和已知的将是线性回归。线性回归既可用于估计部分价值模型，也可用于估计混合模型。在下一篇文章中，我将向您展示如何使用线性回归模型来估计部分价值函数和混合模型。
结论
现在很明显，为什么联合分析是一个框架，例如，一组方法，因为它存在于许多不同的变体和组合中，这取决于手头的具体情况，分析的目标和可用的属性。在您自行设计的联合分析结束时，您应该考虑如何度量有效性而且可靠性关于你的分析，我现在就不详细讲了，因为这对本文来说可能太多了。此外，您还应该始终考虑自己设计的弱点。每个联合分析都有弱点，构建联合分析的目标不是消除所有弱点，而是选择一个联合分析，使其弱点与您的目的和情况无关。
最后，我想提示您需要考虑的另一个可能的问题和我的建议。你需要思考，你是想为所有人建立一个偏好模型，还是为每个人估计一个偏好模型。联合分析通常被设计用来估计每个人的一个偏好模型，而不是试图为一个“平均”的人产生偏好模型，这是有充分理由的。只有当您希望将模型推广到的人群在需求和效用方面非常同质时，一个普通人才有意义，但这种情况很少发生。如果不是这样，你应该为每个人单独计算一个偏好模型，因为如图所示，一个普通人的效用函数可能根本不能代表现实。此外，如果您有针对许多人的效用函数，那么您可以开始应用基于效用的聚类方法，以一种不同的、更好的方式了解消费者。
