一步一步的联合分析指南。
构建一个联合分析并不像看起来那么困难。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，重要的是这些步骤要像拼图一样相互配合。如果你没有选择合适的材料，你就无法建造一座房子，如果步骤不相互补充，联合分析也不会有效。为此，可能需要回到前面的一个步骤并对其进行调整。整个设计是一个迭代的过程。
步骤1:问题和属性
在每个联合分析的最开始，您应该定义问题并找到您想要收集的属性。这是非常重要的，因为问题决定了联合分析的目的，这已经在某些方面限制了你。无论你是想预测市场份额，还是想了解你的客户，对于每种情况，你都需要不同的互补组件才能发挥作用。当您想要了解客户时，您很可能需要在步骤2中选择零件价值模型，因为这是最简单的模型，并且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，您可能需要混合模型。
在很好地定义了问题之后，选择与您的目的相关的正确属性并尝试将自己限制在真正必要的属性中是至关重要的。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，从他们的角度确定相关的属性可能更有益。对于每个属性，您应该决定它是什么类型(分类、顺序和连续)，以及您期望效用与该属性之间的关系(线性、二次…)。此外，您应该查看变量，看看您是否期望任何交互以及是否存在问题感知到的相关性可能发生。感知相关性描述了这样一种现象，即顾客期望属性之间存在相关性，而实际上没有相关性。例如，消费者倾向于认为一辆昂贵的汽车一定比一辆便宜的汽车好，即使它们可能是一样的。感知到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，你应该花时间考虑你的属性是否捕获了效用中所有重要的可变性，例如，所有决定购买决策的相关变量都包括在内。
步骤2:偏好模型
当涉及到建模偏好时，您通常可以在5个基本模型中进行选择。这一步是关于决定你想如何模拟消费者的偏好，例如，消费者实际上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，例如复制他对决策的内部思考方式。你的模型越接近消费者做出决定的实际方式，你的结果就越好。虽然我们希望选择最接近消费者方式的模型，但还有其他考虑因素。有些模型更容易理解和呈现，有些模型为行动提供了明确的方向，有些模型更好地补充了其他步骤。以下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，非常适合于许多用途。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，每个属性的组合都可以通过与该属性的距离来评级。离组合属性越远，越不受欢迎。根据假设，还可以根据假设使用不同的距离度量，例如二次距离或曼哈顿距离。理想点模型的优势在于，客户的偏好可以被绘制在地图上，而且很容易呈现。
- 部分值函数模型
部分价值模型遵循边际效用从经济学。这意味着它没有给出一个选项效用的绝对值，而是假设了一个参考选项。所有其他替代方案都相对于参考值进行评估，例如，如果我们将参考替代方案的特定属性更改为其他值，那么实用程序会改变多少。部分价值模型中的所有估计都在一个等距量表．这使得基于部分价值模型的预测变得非常困难。然而，部分价值模型还有其他几个优点。它们可以用图形表示，它们可以用来计算相对属性的重要性，它们与分数因子设计兼容，并且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，并等同于任何类型的回归模型。它可以包括交互，因子，连续变量，任何类型的转换(对数，二次，指数等)。这种复杂性使得可以对更复杂的属性-效用关系进行建模，并使其更容易产生预测。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，建议坚持使用更简单的方法。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，而且将结果呈现给其他人可能更加困难。
- 自定义模型
定制模型描述了已经开发了自己的模型的特殊情况，前面提到的模型已经被改编或组合。如果已经知道消费者是如何做决定的，他们运用什么心理规则，以及他们是如何做出决定的，那么定制模型可能是一个好方法。例如，您知道客户分两步做出决策，首先他确定了标准并排除了所有满足标准的选项，然后选择效用最大化的替代方案。另一个例子是满意，即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每个特定的实例，但是，它们与所有其他步骤的兼容性更加困难。由真正的决策心理学专家应用定制模型是绝对必要的，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取数据。在这里，您将有三个一般的选择，每个都有优点和缺点。
- 权衡
在权衡表示中，您将向客户显示每一对属性的每个级别组合。然后，客户从最喜欢的到最不喜欢的顺序订购组合或对它们进行评级。权衡分析的优点是，您可以获得关于属性如何对整体实用程序、交互和非线性做出贡献的准确深入的描述。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个等级，你的客户将需要选择54个组合)。此外，它不是一个真实的场景，说明决策是如何做出的。
- 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。这种方法更现实，但可能导致信息过载。如果一个人同时面对几个选择，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，但不同之处在于，通常会有一个、两个或更多的选项呈现给客户，客户必须做出选择，例如，他会购买哪一个。这种场景的明显优势是，选择数据首先被收集，而且更现实。
在这一点上需要考虑的其他因素是，例如，您希望如何收集数据(亲自询问参与者，在线问卷，给他们两种产品，他们可以测试并决定……)以及您如何使您的场景尽可能真实?
第四步:展示备选方案
从这个意义上说，现实意味着您创建的场景类似于您的实际客户在做出购买决策时所面临的环境。另一种尽可能现实的方法是，您希望让您的客户尽可能容易地理解替代方案，以便他可以尽可能准确地估计自己的分数。对于备选方案的表示，您还有三个选项:
- 概述
概述的优点是它以简短而简洁的方式呈现所有重要的数据。然而，这种方法通常是不现实的，并且存在没有文本的值可能被误解的危险。
- 段
段落描述提供了添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，并不是每个消费者都会花时间阅读所有内容。
- 图片或视频
图片或视频是可以减少选择过载的选项。然而，它不一定提供任何确凿的事实，如果您正在尝试一个场景，并且产品还不存在，则可能难以展示示例。此外，这个选项可能被认为比前两个选项更昂贵。
最后，你应该考虑用户将如何处理你向他呈现场景的方式所提供的信息。通常，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．信息过载可能会使个人的结果产生偏差，因为他根本不知道如何估计效用，因为信息太多而无法形成意见。此外，如果您以特定顺序订购类别，那么首先出现的类别可能会变得更重要，因为客户不会真正寻找所有类别，使用此规则构建截止规则(满意)，或使用此选项作为锚点来评估以下选项(光环效应）.您表示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，如果您选择将偏好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会熟悉的，因此我建议你坚持全因子或最大分数因子设计，如果你没有任何特别的经验，或者没有人有博士学位在实验科学。在本博客的一篇文章中，您可以找到有关如何用R创建自己的全因子设计和分数因子设计的解释和一步一步的指导。
这里有三个主要考虑因素。首先，您应该查看在步骤1)中准备的属性列表，并询问是否希望有任何重要的交互效果。如果可以肯定，属性之间会有几个重要的交互作用，那么分数阶乘设计将产生有偏差的结果，不能使用。在这种情况下，要么更改想要考虑的属性，要么采用全因子设计。如果您期望没有显著的交互作用，您可以在分数因子设计和全因子设计之间进行选择。
其次，如果您决定采用混合模型解决方案，您需要考虑是否需要包含任何转换(日志变量，二次变量等)。如果是这种情况，那么您可能需要进行更多的实验运行，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，运行的次数越多，对客户来说就越累。想象一下，您需要为100种仅略有不同的产品确定评级。我敢打赌，在某种程度上，你不会再认真对待它，犯错误，或者只是为了完成评级而开始输入一些东西。与全因子设计相比，分数因子设计有一个明显的优势。如果你拥有3个等级的4个属性，你可能很快就会变成3个4总共运行81次，而分数阶乘设计，顾名思义，使您能够减小大小并只运行总运行量的一小部分。这只有在属性之间没有重要的交互时才有可能。
第六步:测量量表
最后，根据您选择的方法，测量尺度也很重要。举个具体的例子，如果联合分析的目标是了解消费者，而你选择使用部分价值模型，那么理想的测量尺度将是分类或最大序数。如果您决定使用分数阶乘设计，通常也会出现这种情况。在这种情况下，也有必要使用顺序变量，只有在特殊情况下，如果您期望属性是完全线性的，例如，您可以使用连续变量。
另一方面，如果您的目标是预测未来的市场偏好份额，那么顺序尺度可能是不够的，因为在预测具有超出所选属性级别属性的替代方案的效用时，您将面临问题。例如，您想要预测总RAM为32GB的笔记本电脑(存在这样的笔记本电脑)的最大效用，但是在构造效用函数时，您只将属性RAM的4G、8GB和16GB级别包括在内。那么，对于没有这三个RAM级别中的任何一个的笔记本电脑，例如具有32GB RAM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于估计方法，这最终取决于你选择的偏好模型，因为你不能用所有的方法估计所有的模型。最后的方法将根据之前选择的模型，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premap、Linmap、Johnson’s tradeoff算法、Monanova、probit和logistic回归之外，最实用和已知的将是线性回归。线性回归既可以用来估计部分价值模型，也可以用来估计混合模型。在接下来的文章中，我将向您展示如何使用线性回归模型来估计部分值函数以及混合模型。
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以及组合中，这取决于手头的具体情况、分析的目标和可用的属性。在您自己设计的联合分析结束时，您应该考虑如何度量有效性和可靠性在这一点上，我不会详细说明，因为这对于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。每个联合分析都有缺点，构建联合分析的目标不是消除所有缺点，而是选择一个联合分析，使其缺点与您的目的和情况无关。
最后，我想提示您另一个可能需要考虑的问题和我的建议。你需要考虑，你是想为所有人建立一个偏好模型，还是想为每个人建立一个偏好模型。联合分析通常被设计为估计每个人的偏好模型，而不是试图为“一般”人产生偏好模型，这是有充分理由的。只有当你想要推广模型的人群在需求和效用上非常相似时，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，如果您有很多人的效用函数，那么您可以开始应用基于效用的聚类方法，以一种不同的、更好的方式来理解消费者。
