Разновидности conjoint анализа

В исследовательской практике встречается несколько видов conjoint анализа. Все они различаются процедурой составления профилей, формой предъявления профилей респонденту и моделями для анализа предпочтений. Наиболее распространенными считаются следующие три вида conjoint анализа: традиционный совместный анализ, адаптивный conjoint, и совместный анализ, основанный на дискретном выборе (CBC) Кутлалиев А., Захарова T. Метод совместного анализа как инструмент изучения предпочтений потребителей Теория и история методов стр. 15.

Традиционный совместный анализ использует полные профили с малым количеством характеристик. Количество характеристик варьируется от 5 до 7 для удобства респондента. Формирование профилей происходит по принципу полного или дробного факторного эксперимента. На этапе сбора информации от респондента требуется ранжировать профили, или оценить их по шкале. Для расчета частичных полезностей в традиционном совместном анализе применяется линейная регрессия, в основе которой лежит принцип наименьших квадратов, монотонная регрессия или иерархическое байесово моделирование^{, 10, 11} Кутлалиев А., Захарова T. Метод совместного анализа как инструмент изучения предпочтений потребителей Теория и история методов стр. 16.

Адаптивный совместный анализ необходим исследователю для изучения большого числа характеристик. Число характеристик может достигать 30 атрибутов по 15 уровней каждый. Работа с таким числом характеристик методом традиционного совместного нализа вызывает у респондентов напряжение. В рамках идеи провести анализ с большим числом характеристик и не нагрузить респондента для адаптивного анализа был разработан особый метод сбора данных. Опрос проходит с помощью компьютера и состоит из нескольких этапов. В компьютер встроен алгоритм, который позволяет создавать уникальные сочетания профилей для каждого респондента на каждом новом этапе, основываясь на его ответах на предыдущем этапе. Процедуру сбора данных для адаптивного совместного анализа можно условно разделить на два этапа. На первом этапе сбора данных от респондента требуют оценить важность отдельных атрибутов и уровней по шкале. Первый этап полностью исключает идею симуляции реального выбора. На втором этапе респонденту последовательно демонстрируются несколько парных сравнений. Для расчета частичных полезностей в адаптивном conjoint’е применяется линейная регрессия или модель иерархического байеса10.

Совместный анализ, основанный на дискретном выборе (CBC, choice based conjoint) обладает следующими особенностями:

Во-первых, CBC наилучшим образом симулирует ситуацию реального выбора. Респонденту предъявляется «карточка» с набором профилей. Число профилей может варьироваться от 2 до 5 на одной «карточке». Респонденту необходимо выбрать из всех альтернатив только одну. В следствие этого название метода получило приставку «choice-based"11. Такой способ сбора данных наилучшим образом симулирует процесс выбора, поскольку «в реальной жизни человек не обладает всей полнотой информации, он совершает выбор между 3−4 вариантами, которые оказались в наличие в магазине, или о которых он мог слышать от друзей или знакомых».

Во-вторых, CBC снижает нагрузку, которая ложится на респондента. Снижение нагрузки становится возможным, благодаря особому дизайну эксперимента, где каждый респондент видит уникальный и тщательно-проработанный набор вопросов. Такие дизайны называются «рандомными», что не значит, что они составлены стихийно. Эти дизайны практически, но все-таки не совсем ортогональны. В ассиметричных планах исследования, где атрибуты имеют разное число уровней такие дизайны крайне эффективны. Они также имеют большое преимущество перед ортогональными дизайнами в том, что все действия респондента могут быть измерены, даже те, которые не считаются значимыми на этапе подготовки исследования. Кроме того, такие дизайны снижают психологическое напряжение респондентов, поскольку нагрузка разделена между респондентами The CBC System for Choice-Based Conjoint Analysis Copyright Sawtooth Software, Inc. Orem, Utah USA (801) 477−4700 February, 2013 [http://www.sawtoothsoftware.com/support/technical-papers/cbc-related-papers/cbc-technical-paper-2013] p. 7.

В-третьих, дизайн эксперимента и метод сбора данных conjoint CBC обеспечивают исследователю большую свободу в выборе моделей для анализа данных. В случае с conjoint regular, на шаге построения регрессионного уравнения, мы сталкиваемся с тем, что наша зависимая переменная, это случайная величина, которая принимает значения от 1 до n, где n количество профилей. Как правило, число n > 10, поэтому шкалу можно отнести к порядковой или интервальной. Это накладывает ограничения на модель с помощью, которой мы можем описывать данные; выбирая из регрессионных моделей, мы можем использовать только модель множественной линейной регрессии. Тем не менее, в CBC мы имеем дело с дискретным выбором, который принимает значения «1» и «0», поэтому для данных CBC мы можем исследовать зависимость предпочтений от характеристик с помощью модели логистической регрессии Кутлалиев А., Захарова T. Метод совместного анализа как инструмент изучения предпочтений потребителей Теория и история методов стр. 13. Модель логистической регрессии в подавляющем большинстве случаев обладает неоспоримыми преимуществами перед линейной регрессией, которые буду описаны более подробно в главе работы, посвященной основным математическим методам расчета полезностей.