聯合分析報告
SurveyMars 現已支援聯合分析模型，專為調查研究場景設計。聯合分析是一種多元統計方法，核心用於探究消費者的產品選擇偏好 —— 例如消費者對手機、電腦、汽車等產品的偏好傾向，協助研究人員精準定位對消費者決策影響最大的產品屬性及具體特徵。
什麼是聯合分析
聯合分析聚焦消費者產品選擇偏好，核心圍繞以下關鍵術語展開：
屬性：產品的特徵，例如手機 CPU、手機尺寸、相機畫素等。
水平：屬性的具體值，例如 CPU 等級（高階、中階、低階）、手機尺寸（5 英寸、6 英寸、7 英寸）、相機畫素（12MP、20MP、30MP）等。
配置文件：也稱為產品，透過組合各種屬性水平形成，例如具備「高階 CPU、7 英寸、20MP 相機」的手機。
聯合分析過程通常包含 4 個步驟：
步驟 1：確定屬性和水平
- 首先，確定所需的屬性及其對應的水平值。
步驟 2：正交實驗設計
- 根據屬性與水平的數量，透過正交設計篩選出具代表性的「配置文件」（避免配置文件過多導致受訪者疲勞）。
步驟 3：設計問卷收集數據
- 設計問卷並使用「評分方法/排序方法/選擇方法」收集每個「配置文件」的數據
步驟 4：聯合分析
- 收集數據後，透過統計模型分析得出結果
建立聯合分析問題
1. 登入 SurveyMars 平台，在建立問卷時選擇「聯合分析」類型。
2. 設定聯合分析問題並上傳要研究的屬性和水平。查看聯合分析示例。
3. 設計問卷並收集答卷後，您可以直接在統計分析頁面查看聯合分析報告。
理解聯合分析理論
聯合分析的數據分析邏輯基於 OLS 回歸模型，具體原理如下：
（1）模型設定：將每個產品屬性作為自變量（X），受訪者對配置文件的偏好評分（效用分數）作為因變量（Y），進行回歸分析。
（2）數據處理：由於所有屬性均為分類數據，系統會自動將其轉換為虛擬變量，且每個屬性的第一個水平會作為「參考水平」。
（3）效用值計算：回歸分析得出的回歸係數即為對應屬性水平的效用值；參考水平的效用值 = 0 - 同一屬性中其他所有水平的效用值之和。效用值越高，表明該水平越受消費者偏好。
（4）屬性重要性計算：採用「最大範圍法」—— 用某一屬性的最大效用值減去最小效用值，得到該屬性的重要性值；對所有屬性的重要性值進行歸一化處理後，即可獲得各屬性的相對重要性占比。
透過上述計算，可同時分析：① 各產品屬性的相對重要性（影響消費者決策的權重）；② 每個屬性下不同水平的偏好度；③ 所有配置文件的偏好排名（SPSSAU 支援輸出配置文件的效用值）。
解釋聯合分析結果
1. 聯合分析結果摘要：
- 屬性的重要性：數值越高，說明該屬性對消費者偏好的影響越大（例如「價格」重要性占比 40%，「顏色」占比 10%，則價格是更關鍵的決策因素）
- 水平效用值：正值表示消費者偏好該水平，負值表示消費者對該水平的偏好度較低（例如「高階 CPU」效用值 2.5，「低階 CPU」效用值 -1.8，說明消費者更傾向於高階 CPU）
2. 聯合分析估計結果：
- 此表顯示 OLS 回歸模型輸出結果
- 它提供 Pearson 相關係數和 Kendall 相關係數以進行模型擬合評估
- 每個屬性的第一個水平是參考水平，因此不顯示回歸係數，但參考水平的效用值可以計算為：0 - 同一屬性中其他水平的效用值之和
關鍵解釋要點：
- 屬性重要性：重要性值越高，表示該屬性對消費者偏好的影響越大
- 水平效用值：正效用值表示偏好該水平，而負值表示偏好較少
數據格式要求
聯合分析的數據格式應如下結構：
- 每行代表一個受訪者對一個配置文件（產品）的評估
- 例如，如果一個受訪者評估 9 個候選產品（配置文件），而您有 100 個受訪者，數據將有 100 × 9 = 900 行
- 因變量（Y）應包含效用分數（評分、排序或選擇）
- 自變量（X）應包含每個配置文件的屬性水平
- 屬性水平可以表示為數字（1、2、3 等），可以使用 SPSSAU 的數據標籤功能進行標記
重要提示
- 聯合分析需要事先使用正交實驗設計來獲得實驗配置文件
- 聯合分析中的所有屬性都是分類數據，將自動處理為虛擬變量
- 每個屬性的第一個水平在回歸模型中用作參考水平
- 參考水平的效用值計算為：0 - 同一屬性中其他水平的效用值之和
- 屬性重要性使用「最大範圍」方法計算：該屬性的最大效用值 - 最小效用值
常見問題（FAQ）
問 1：如果系統提示「聯合分析的有效樣本不足」，我應該怎麼辦？
答：當出現此提示時，意味著相對於屬性水平的數量，分析樣本不足以執行 OLS 回歸模型分析。建議增加實驗樣本量並重新分析。
問 2：評分方法、排序方法和選擇方法有什麼區別？
答：評分方法要求受訪者對候選產品進行評分，分數越高表示偏好越大。排序方法要求受訪者對候選產品進行排序，排名越好表示偏好越大。選擇方法要求受訪者對候選產品選擇是或否。通常，評分方法和排序方法使用更頻繁。
問 3：如何計算屬性重要性？
答：屬性重要性使用「最大範圍」方法計算：屬性水平的最大效用值減去該屬性水平的最小效用值。這個範圍就是屬性的重要性值。對重要性值進行歸一化後，獲得每個屬性的相對重要性。
問 4：如何計算參考水平的效用值？
答：每個屬性的第一個水平在回歸模型中用作參考水平。參考水平的效用值計算為：0 - 同一屬性中其他水平的效用值之和。
問 5：Pearson 和 Kendall 相關係數代表什麼？
答：這些係數代表聯合分析的模型擬合度。它們計算為實際效用分數與 OLS 回歸擬合值之間的相關性。係數值越高，表示模型擬合越好。
問 6：我是否需要在聯合分析之前使用正交實驗設計？
答：是的，聯合分析之前需要正交實驗設計。根據屬性水平的數量，設計以獲得潛在的「配置文件」（產品）進行評估。
