DCE技术要点与Conjoint.ly


发表于 2016年11月2日,更新于 2017年1月11日


本说明是为熟悉离散选择实验的细节的人准备的,以详细回答关键问题。

DCE或联合?Conjoint.ly使用离散选择实验,有时称为基于选择的联合。 DCE是一种与随机效用理论一致的更稳健的技术,已被证明可以模拟消费者在市场中的实际行为。然而,属性的相对重要性和水平值的输出与联合分析(成分效分析)的输出是一致的。

实验设计 Conjoint.ly使用您指定的属性和水平创建一个选择设计、优化平衡、重叠等特性。在多数情况下,如果一个受访者的选择集合数量过多,实验将被分成多个集区。每个选择集由多种产品结构替代品组成,并且默认情况下,一个“不买”的替代品。

最小样本量。Conjointly自动推荐最小样本量。多数情况下,样本量是在50和300之间。在我们的计算中,我们使用专有公式,考虑属性、水平和其他实验设置的数量。

属性的相对重要性和水平值。 Conjoint.ly使用视为有效的回应来估计层次贝叶斯(HB)多项逻辑模型。每个水平值(成分效用值)反映了该水平对购买对决定购买结构的重要性。。具有较大变化的摇摆因素的属性被认为更重要。

具体来说,我们通过从估计模型中获取的系数进行线性变换,计算属性的重要性和水平值(成份效用值),以便:

  • 在每个属性中,正效用值的绝对值总和等于负值的绝对值总和
  • 在每个属性中,效用值的扩展总和(最大减去最小)等于100%。

边际支付意愿。对于其中一个属性是价格的实验,Conjoint.ly估计一个单独的逻辑模型,以计算价格属性与非价格属性之间的边际替代率。 Conjoint.ly还考虑了实验设置和收到的反应(例如,在价格存在非线性的情况下限制MWTP计算),对测度计算的适当性进行检查。

市场份额模拟。市场份额模拟使用从估计的HB多项逻辑模型中的单个系数进行模拟。

产品结构的排序列表。Conjoint.ly使用所有水平组合完成产品结构的完整列表,并根据相对水平数值(成分效用值)对他们进行排名。

分割。Conjoint.ly从使用k均值聚类的估计HB多项逻辑模型中的个别系数对市场进行细分。我们提供Calinski-Harabasz的标准值(以帮助选择适当数量的簇)和用于模糊k均值的归一化(0到1)Dunn分配系数的值(以帮助选择适当数量的簇以及决定如果分割完全是清晰,所以是适当的)。我们为每个细分提供相同的报告。

如果您对分析方法有任何疑问,请与团队联系。

订阅最新消息


联合分析
联合分析 联合分析