第三章 分析方法介紹
3.4 聯合分析
聯合分析（conjoint analysis）是多變量分析技術中的一種相依方法，其準則 變數是受測者對受測體（stimulus）整體的喜好或評估，期預測變數是由各受測體 不同的屬性（attributes）與水準（levels）所組成。其一重要的基本假設為：「受 測者依構成受測體的多個屬性來進行知覺與偏好的判斷。」亦即受測體對於某一 受測體的偏好可拆解為該受測體多個屬性之「成份效用值」（part-worth utility）
或「偏好分數」（preference scores）。
此法主要探討消費者行為模式中的決策過程，進一步瞭解其對產品各類屬性 的偏好及如何做出選擇，本研究使用 Scott M.&Smith(1990)設計的 PC-MDS 套裝軟 體進行聯合分析。
3.4.1 聯合分析的主要目的
1.每一個受試者（消費者）對產品屬性所給予的重要性程度 2.他們對於每個屬性的層級所賦予的偏好程度
3.4.2 聯合分析原理及步驟
聯合分析的基本思想是，先將各種不同的屬性水準加以組合，透過正/直交設 計（orthogonal design），設計出一產品集合，並通過提供消費者以不同屬性水準 組合形式的產品，讓消費者做出心裡判斷，按其意願程度給產品組合給分（rating）、
排序（ranking），然後採用數理分析方法對每個屬性水準賦值，使評價結果與消 費者的給分儘量保持一致。以這種方式來研究消費者的選擇行為，可以幫助評估 消費者的偏好，并確定這些屬性中的那種那個組合最受消費者歡迎。
聯合分析的研究邏輯大致如下:
1. 確定產品特徵與特徵水準
聯合分析首先要對產品或服務的特徵進行識別。這些特徵與特徵水準必須 是顯著影響消費者購買的因素。
2. 產品模擬
聯合分析將產品的所有特徵與特徵水準通盤考慮，並採用正交設計的方法 將這些特徵與特徵水準進行組合，生成一系列虛擬產品。
3. 數據收集
請受訪者對虛擬產品進行評價，通過打分、排序等方法調查受訪者對虛擬 產品的喜好、購買的可能性等。
4. 計算特徵的效用
從收集的資訊中分離出消費者對每一特徵以及特徵水準的偏好值，這些偏 好值也就是該特徵的「效用」。
5. 市場預測
利用效用值來預測消費者將如何在不同產品中進行選擇，從而決定應該採 取的措施。
在分析時，聯合分析需經過六個步驟（Green&Srinivasan，1978）
資料來源：Gree, P. E., and Srinivasan, V.,(1978),「Conjoint Analysis in Consumer Research: Issues and Outlook」, Journal of Consumer Research, Vol. 5, pp. 103-123 1.偏好模式的選擇
在大多數的決策中，考慮一個以上的屬性是合理且普遍的，而多屬性決策模 式可區分為非補償性模式（Non-Compensatory Model）與補償性模式（Compensatory Model）(Green & Wind, 1973)。非補償性模式為產品屬性間沒有替代關係；補償 性模式為各屬性間有替代性。其中補償性模式包含了加法效用模式（Additive Utility Model）、結構效用模式（Configural Utility Model）、減少空間模式（Reduced Space Model）。
一般採用聯合分析的方法皆為補償模式中的加法模式，其基本假設有三：
（1） 模式中各屬性具有兌換關係。
（2） 對受測者的總效用值以加法法則加總而成。
（3） 不考慮互動效果對總效果的影響。而加法模式即由各屬性不同水準的成分 效用值加總，而得某項產品組合的總效用，即
產品效用U(X)=U1(X1)+U2(X2)+…+ Un(Xn) 偏好模式的選擇
資料收集
建立整體輪廓之受測體
受測體的描述
應變數的衡量尺度
參數估計的方法
其中，X1,X2,… ,Xn代表n 個屬性，X 代表由X1,X2,… ,Xn組成的產品。
2. 資料收集
聯合分析法使用的資料收集分法包含兩因素法、整體輪廓法及成對比較法三種，
分述如下：
（1）兩因素法（Two-Factor-at-a-time）
兩因素法又稱為兌換法（Trade-Off Procedure），受測者每次只對兩個屬性中 的各水準組成的兌換矩陣（Trade-Off matrix）加以評估，排列其偏好順序，再評 估另一屬性組合，因此若有N 個屬性，則會有N（N-1）/2 組的屬性組合。
（2）整體輪廓法(Full-Profile approach)
整體輪廓法又稱為觀念評估法（Concept Evaluation Task），受測者必須面對 重要屬性的某一水準的整體輪廓組合，並依其偏好程度將所有的受測體作整體性 的評估，因此若產品有N 個屬性，每一個屬性各有L 個水準，則所有受測體共有 LN個組合。
（3）成對比較法
受測者一次只評估兩個受測體。
3.建立整體輪廓之受測體
在聯合分析中，若有太多受測體，將使受測者負擔過重，為避免過度複雜的 資訊，當屬性過多時，可事先篩選較重要的屬性，其水準取具代表性且能涵蓋其 變動範圍。除此之外，聯合分析法可使用部分因子設計（Fractional Factor Design）
方法來解決，當各屬性其水準數相同時，可用對稱直交排列設計（Symmetrical Orthogonal Design），若水準數不相同，則可用不對稱直交排列設計（Unsymmetrical Orthogonal Design）。
4.受測體的描述
受測體的描述有四種基本方法，分別為文字描述法（Verbal Description）、短 文描述法（Paragraph Description）、圖形描述法（Pictorial Description）、實物展
示（Physical Product Presentation）
5.受測體的衡量尺度
受測體的衡量尺度大致可分為「計量尺度」（Metric Scales）與「非計量尺度」
（ Nominal Scales ） ， 其 中 計 量 尺 度 有 比 率 尺 度 （ Ratio Scales ） 、 區 間 尺 度
（IntervalScales）；非計量尺度有順序尺度（Rank Scales）、名目尺度（Nominal Scales）、成對比較尺度（Paired Comparison Scales），研究者可是其目的及研究 工具選擇衡量尺度。
一般來說，計量尺度較能發揮計算、評比等功能，且可一次呈現較多的資訊，
但由於受測者必須對一受測體給予精確的評估，往往讓受測者覺得填答困難；非 計量尺度在排序與成對比較時，受測者較不用花費太多心思去評分，因此評估效 果較為客觀可信。
6.參數估計
該步驟為選取成分效用值的方法，依據受測體衡量尺度的不同，可分為三類：
（1）順序尺度
可 使 用 的 估 計 方 法 有 單 調 變 異 數 分 析 （ MONANOVA ） 、 非 計 量 兌 換 程 序
（PREFMAP）和LINMAP。其中MONANOVA 用於成分效用值模式；PREFMAP 用於向量及理想點模式；LINMAP 可用於所有模式，且最適用於理想點模式。
（2）計量尺度
可使用的估計方法有最小平方法（Ordinary Least Square Regression,OLS）、最小 絕對誤差和迴歸法（Minimizing Sum of Absolute Errors Regression,MSAE），者 兩種方法皆可提供估計參數標準差，其中MSAE 可允許研究者加入先驗限制於估 計參數上，因此更為健全。
（3）成對比較選取機率
可使用的估計方法有廣義線性模式中的 Probit Model 與 Logit Model。