联合分析报告
SurveyMars 现已支持联合分析模型，专为调查研究场景设计。联合分析是一种多元统计方法，核心用于探究消费者的产品选择偏好 —— 例如消费者对手机、电脑、汽车等产品的偏好倾向，帮助研究人员精准定位对消费者决策影响最大的产品属性及具体特征。
什么是联合分析
联合分析聚焦消费者产品选择偏好，核心围绕以下关键术语展开：
属性：产品的特征，例如手机 CPU、手机尺寸、相机像素等。
水平：属性的具体值，例如 CPU 等级（高端、中端、低端）、手机尺寸（5 英寸、6 英寸、7 英寸）、相机像素（12MP、20MP、30MP）等。
配置文件：也称为产品，通过组合各种属性水平形成，例如具有"高端 CPU、7 英寸、20MP 相机"的手机。
联合分析过程通常包括 4 个步骤：
步骤 1：确定属性和水平
- 首先，确定所需的属性及其对应的水平值。
步骤 2：正交实验设计
- 根据属性与水平的数量，通过正交设计筛选出具有代表性的 “配置文件”（避免配置文件过多导致受访者疲劳）。
步骤 3：设计问卷收集数据
- 设计问卷并使用"评分方法/排序方法/选择方法"收集每个"配置文件"的数据
步骤 4：联合分析
- 收集数据后，通过统计模型分析得出结果
创建联合分析问题
1. 登录 SurveyMars 平台，在创建问卷时选择 “联合分析” 类型。
2. 设置联合分析问题并上传要研究的属性和水平。查看联合分析示例。
3. 设计问卷并收集答卷后，您可以直接在统计分析页面查看联合分析报告。
理解联合分析理论
联合分析的数据分析逻辑基于 OLS 回归模型，具体原理如下：
（1）模型设定：将每个产品属性作为自变量（X），受访者对配置文件的偏好评分（效用分数）作为因变量（Y），进行回归分析。
（2）数据处理：由于所有属性均为分类数据，系统会自动将其转换为虚拟变量，且每个属性的第一个水平会作为 “参考水平”。
（3）效用值计算：回归分析得出的回归系数即为对应属性水平的效用值；参考水平的效用值 = 0 - 同一属性中其他所有水平的效用值之和。效用值越高，表明该水平越受消费者偏好。
（4）属性重要性计算：采用 “最大范围法”—— 用某一属性的最大效用值减去最小效用值，得到该属性的重要性值；对所有属性的重要性值进行归一化处理后，即可获得各属性的相对重要性占比。
通过上述计算，可同时分析：① 各产品属性的相对重要性（影响消费者决策的权重）；② 每个属性下不同水平的偏好度；③ 所有配置文件的偏好排名（SPSSAU 支持输出配置文件的效用值）。
解释联合分析结果
1. 联合分析结果摘要：
- 属性的重要性：数值越高，说明该属性对消费者偏好的影响越大（例如 “价格” 重要性占比 40%，“颜色” 占比 10%，则价格是更关键的决策因素）
- 水平效用值：正值表示消费者偏好该水平，负值表示消费者对该水平的偏好度较低（例如 “高端 CPU” 效用值 2.5，“低端 CPU” 效用值 -1.8，说明消费者更倾向于高端 CPU）
2. 联合分析估计结果：
- 此表显示 OLS 回归模型输出结果
- 它提供 Pearson 相关系数和 Kendall 相关系数以进行模型拟合评估
- 每个属性的第一个水平是参考水平，因此不显示回归系数，但参考水平的效用值可以计算为：0 - 同一属性中其他水平的效用值之和
关键解释要点：
- 属性重要性：重要性值越高，表示该属性对消费者偏好的影响越大
- 水平效用值：正效用值表示偏好该水平，而负值表示偏好较少
数据格式要求
联合分析的数据格式应如下结构：
- 每行代表一个受访者对一个配置文件（产品）的评估
- 例如，如果一个受访者评估 9 个候选产品（配置文件），而您有 100 个受访者，数据将有 100 × 9 = 900 行
- 因变量（Y）应包含效用分数（评分、排序或选择）
- 自变量（X）应包含每个配置文件的属性水平
- 属性水平可以表示为数字（1、2、3 等），可以使用 SPSSAU 的数据标签功能进行标记
重要提示
- 联合分析需要事先使用正交实验设计来获得实验配置文件
- 联合分析中的所有属性都是分类数据，将自动处理为虚拟变量
- 每个属性的第一个水平在回归模型中用作参考水平
- 参考水平的效用值计算为：0 - 同一属性中其他水平的效用值之和
- 属性重要性使用"最大范围"方法计算：该属性的最大效用值 - 最小效用值
常见问题（FAQ）
问 1：如果系统提示"联合分析的有效样本不足"，我应该怎么办？
答：当出现此提示时，意味着相对于属性水平的数量，分析样本不足以执行 OLS 回归模型分析。建议增加实验样本量并重新分析。
问 2：评分方法、排序方法和选择方法有什么区别？
答：评分方法要求受访者对候选产品进行评分，分数越高表示偏好越大。排序方法要求受访者对候选产品进行排序，排名越好表示偏好越大。选择方法要求受访者对候选产品选择是或否。通常，评分方法和排序方法使用更频繁。
问 3：如何计算属性重要性？
答：属性重要性使用"最大范围"方法计算：属性水平的最大效用值减去该属性水平的最小效用值。这个范围就是属性的重要性值。对重要性值进行归一化后，获得每个属性的相对重要性。
问 4：如何计算参考水平的效用值？
答：每个属性的第一个水平在回归模型中用作参考水平。参考水平的效用值计算为：0 - 同一属性中其他水平的效用值之和。
问 5：Pearson 和 Kendall 相关系数代表什么？
答：这些系数代表联合分析的模型拟合度。它们计算为实际效用分数与 OLS 回归拟合值之间的相关性。系数值越高，表示模型拟合越好。
问 6：我是否需要在联合分析之前使用正交实验设计？
答：是的，联合分析之前需要正交实验设计。根据属性水平的数量，设计以获得潜在的"配置文件"（产品）进行评估。
