联合分析结果解读联合分析Conjoint Analysis是一种多变量统计分析方法用于研究消费者对多属性产品的偏好结构。该方法通过将产品分解为若干属性和水平让受访者对不同的属性组合轮廓进行评分进而估计各属性的重要性及各水平的效用值。本研究使用SPSSAU软件对包含3个属性x1、x2、x3、各2个水平的产品进行联合分析以揭示消费者对各属性的偏好程度和产品最优组合方案。在SPSSAU【问卷研究】模块选择【联合分析】将变量拖拽至右侧对应分析框操作如下图一、属性重要性与效用值分析由表1可知三个属性的重要性排名依次为x1重要性值20.568占比44.341%x3重要性值15.932占比34.345%x2重要性值9.887占比21.314%。x1的重要性占比最高接近总重要性的一半是影响消费者偏好的首要属性x3次之贡献约三分之一的权重x2的重要性相对最低但仍占21.314%的比重。从各属性水平的效用值来看三个属性均表现为2.0水平的效用值高于1.0水平x1_2.0的效用值为10.284x1_1.0为-10.284x3_2.0的效用值为7.966x3_1.0为-7.966x2_2.0的效用值为4.943x2_1.0为-4.943。同一属性内各水平效用值之和为零符合联合分析的数学约束条件。效用值为正表示正向偏好为负表示负向偏好消费者普遍偏好各属性的2.0水平。二、模型估计结果分析模型公式y69.95110.284*x1_2.04.943*x2_2.07.966*x3_2.0由表2可知联合分析的OLS回归模型为y69.95110.284*x1_2.04.943*x2_2.07.966*x3_2.0。常数项为69.951t431.973p0.000各属性的回归系数即效用值均达到极显著水平p0.000。其中x1_2.0的回归系数最大10.284t63.508x3_2.0次之7.966t49.192x2_2.0最小4.943t30.528与属性重要性的排序完全一致。方差分析结果显示回归平方和为6016.450自由度3残差平方和为778.839自由度956F2461.666p0.000模型整体达到极显著水平。OLS回归模型的R方值为0.885表明三个属性可解释轮廓评分变异的88.5%模型解释力较强。联合分析模型拟合优度方面Pearson相关系数为0.941p0.000Kendall相关系数为0.827p0.000均达到极显著水平说明模型拟合效果良好轮廓得分与预测得分之间具有高度一致性。三、图形分析图1 联合分析属性效用值图由图1可知各属性水平的效用值分布直观呈现了消费者偏好的方向与强度。三个属性的2.0水平效用值均为正值1.0水平均为负值且各属性内正负效用值对称分布。x1属性的效用值落差最大从-10.284到10.284表明该属性对消费者偏好的影响最为显著x3属性的效用值落差次之从-7.966到7.966x2属性的效用值落差最小从-4.943到4.943。图形结果与表1中属性重要性的排序完全吻合进一步验证了x1为最重要属性、x2为相对次要属性的结论。四、结论本研究运用联合分析方法对3个属性各2个水平的产品偏好结构进行了量化分析。结果显示x1为最重要的属性重要性占比44.341%其次为x334.345%和x221.314%消费者普遍偏好各属性的2.0水平。回归模型显著有效F2461.666p0.000R²0.885Pearson相关系数0.941和Kendall相关系数0.827均达到极显著水平模型拟合优度良好。基于效用值可构建最优产品组合选择x1_2.0、x2_2.0、x3_2.0的组合将获得最大消费者偏好评分为产品设计与市场定位提供量化决策依据。
联合分析结果解读联合分析Conjoint Analysis是一种多变量统计分析方法用于研究消费者对多属性产品的偏好结构。该方法通过将产品分解为若干属性和水平让受访者对不同的属性组合轮廓进行评分进而估计各属性的重要性及各水平的效用值。本研究使用SPSSAU软件对包含3个属性x1、x2、x3、各2个水平的产品进行联合分析以揭示消费者对各属性的偏好程度和产品最优组合方案。在SPSSAU【问卷研究】模块选择【联合分析】将变量拖拽至右侧对应分析框操作如下图一、属性重要性与效用值分析由表1可知三个属性的重要性排名依次为x1重要性值20.568占比44.341%x3重要性值15.932占比34.345%x2重要性值9.887占比21.314%。x1的重要性占比最高接近总重要性的一半是影响消费者偏好的首要属性x3次之贡献约三分之一的权重x2的重要性相对最低但仍占21.314%的比重。从各属性水平的效用值来看三个属性均表现为2.0水平的效用值高于1.0水平x1_2.0的效用值为10.284x1_1.0为-10.284x3_2.0的效用值为7.966x3_1.0为-7.966x2_2.0的效用值为4.943x2_1.0为-4.943。同一属性内各水平效用值之和为零符合联合分析的数学约束条件。效用值为正表示正向偏好为负表示负向偏好消费者普遍偏好各属性的2.0水平。二、模型估计结果分析模型公式y69.95110.284*x1_2.04.943*x2_2.07.966*x3_2.0由表2可知联合分析的OLS回归模型为y69.95110.284*x1_2.04.943*x2_2.07.966*x3_2.0。常数项为69.951t431.973p0.000各属性的回归系数即效用值均达到极显著水平p0.000。其中x1_2.0的回归系数最大10.284t63.508x3_2.0次之7.966t49.192x2_2.0最小4.943t30.528与属性重要性的排序完全一致。方差分析结果显示回归平方和为6016.450自由度3残差平方和为778.839自由度956F2461.666p0.000模型整体达到极显著水平。OLS回归模型的R方值为0.885表明三个属性可解释轮廓评分变异的88.5%模型解释力较强。联合分析模型拟合优度方面Pearson相关系数为0.941p0.000Kendall相关系数为0.827p0.000均达到极显著水平说明模型拟合效果良好轮廓得分与预测得分之间具有高度一致性。三、图形分析图1 联合分析属性效用值图由图1可知各属性水平的效用值分布直观呈现了消费者偏好的方向与强度。三个属性的2.0水平效用值均为正值1.0水平均为负值且各属性内正负效用值对称分布。x1属性的效用值落差最大从-10.284到10.284表明该属性对消费者偏好的影响最为显著x3属性的效用值落差次之从-7.966到7.966x2属性的效用值落差最小从-4.943到4.943。图形结果与表1中属性重要性的排序完全吻合进一步验证了x1为最重要属性、x2为相对次要属性的结论。四、结论本研究运用联合分析方法对3个属性各2个水平的产品偏好结构进行了量化分析。结果显示x1为最重要的属性重要性占比44.341%其次为x334.345%和x221.314%消费者普遍偏好各属性的2.0水平。回归模型显著有效F2461.666p0.000R²0.885Pearson相关系数0.941和Kendall相关系数0.827均达到极显著水平模型拟合优度良好。基于效用值可构建最优产品组合选择x1_2.0、x2_2.0、x3_2.0的组合将获得最大消费者偏好评分为产品设计与市场定位提供量化决策依据。
