聯合分析法是一種估計消費者行為如何及為什麼的確認方法（Berger and Kanetkar, 1995），它能夠模擬受訪者在現實中的購買決策行為，即受訪 者面對相同類似的產品時，會對產品的多個屬性（attributes）進行綜合性之 考量，也就是說受訪者在滿足自身需求的前提下，可能會犧牲掉其他屬性 或其水準（levels），而產生所謂的抵換（trade off）關係。故此方法可以藉 由受訪者對產品屬性間的取捨及抵換過程，了解受訪者對各種產品屬性及 其水準的重視程度或偏好傾向之特性，因此該方法被廣泛應用於行銷領域 上，是一種探討消費者行為的極佳工具。
聯合分析法是一種分解式的研究法（decompositional approach），受訪 者依據構成受測體的多個屬性（Attributes）來進行整體知覺（perceptions）
和偏好（preferences）的評估，再利用迴歸分析的統計方法，一般而言最常 被使用的方法為普通最小平方法（Ordinary Least Squares，簡稱 OLS），去 分解該受測體的整體偏好，以求得各個屬性的成份效用值（part-worths）或 偏好分數（preference scores）估計消費者的偏好結構。
一、 發展過程與意含
聯合分析源於 1920 年代，於 1964 年由 Lucy 與 Tuckey 兩位學者最早 發展出聯合衡量（Conjoint Measurement），可用以同時衡量多個變數的聯合 效果，當時常被應用於心理學領域，直至 1970 年代 Green 與 Rao 將它導 入行銷領域研究中，並發展至偏好研究上，之後才開始受到研究人員重視，
並於 1978 年時由 Carmone 等人將其改稱為聯合分析（Conjoint Analysis）
（Cattin and Wittink, 1982）。
傳 統聯合 分 析 法 發 展 的 基 礎 可 歸 功 於 自 顯 性 模 式 （Self-Explicated Model），該模式的受訪者係直接針對各種屬性及其水準分別評價，為一採 用組合方式（compositional approach）的衡量方法，即產品組合（concept）
的效用是由各水準以屬性重要性加權後的偏好加總而得。在此方式下，受 訪者僅是單一比較屬性之間的重要性，或在同一屬性中比較各水準之重要 性，並沒有考慮消費者的抵換（trade-off），此並不符合實際的消費者選擇 行為，因此，聯合分析法開始受到重視並蓬勃發展（Green and Srinivasan, 1990）。
此外，Luce（1959）提出一套人們對於各個替代方案的選擇理論，成 為以選擇為基礎的聯合分析法（Choice-Based Conjoint Analysis）之理論基 礎。其提出一項公設，推導出數個定理與推論，而其中最重要的推論為「方 案間的獨立性」（Independence from Irrelevant Alternatives；IIA），亦即兩方 案間的相對機率，不受其他方案出現與否的影響。這套選擇理論，最早被 應用到交通運輸領域上，應用的計量模型有 McFadden（1974）提出的 Multinomial Logit Model、Daganzo（1979）提出的 Multinomial Probit Model，
與後來的Generalized Probit Model 等。雖然選擇理論較聯合衡量更早提出，
但由於其牽涉到非線性迴歸的估計，演算過程極為複雜，不像排序聯合分 析被普遍應用。直到近代因電腦運算能力日益強大，才開始較常被應用於 行銷研究領域上。
而以選擇為基礎的聯合分析法與傳統聯合分析法的最大不同，即是以
「選擇」取代了評分或排序，消費者可在一群相類似的產品中選擇他最偏 好（prefer）的一個，也可以什麼都不選5 （Johnson and Orme, 2003），是一
5都不選擇：具有三個意義，一、符合一般現實消費行為；二、受測者沒有被強迫選擇他不想要的東西，
種與實際消費行為最接近的調查方式。
二、 分析步驟
Green and Srinivasan（1978）將聯合分析的分析程序分為六個步驟，分 為別：選擇偏好模式、收集資料、建立整體輪廓之受測體、受測體之描述、
應變數的衡量尺度及參數估計之方法，各步驟皆有數個不同方法或模式可 供研究者運用，如圖2-3。
圖2-3 聯合分析之分析程序
資料來源：Green and Srinivasan, 1978；李昭儀，2007；本研究整理。
選擇偏好
理想點模式（ideal-point model）
成份效用值模式（part-worth utility model）
兩因素法，或稱兌換分析法（two-factor-at-a-time procedure）
整體輪廓法，或稱觀念評估法（full-profile approach）
部份要因設計（fractional factorial design）
均衡不完全集區設計（balance incomplete block design）
部分均衡不完全集區設計（partially balance incomplete block）
文字描述法（verbal description）
短文描述法（paragraph description）
圖形描述法（pictorial description）
成對比較資料（paire comparison scales）
順序尺度資料（rank order scales）
比率尺度資料（ration scales）
名目尺度資料（nominal scales）
區間尺度資料（interval scales）
MONANOVA
本研究採用將以上述分析程度為基礎，說明 CBC 聯合分析之研究步 驟，依序說明如下：
(一) 偏好模式的選擇
由於受訪者在決策過程，具有不只考慮單一屬性之特性，因此判斷受 訪者知覺及偏好為多屬性決策（Multi-attribute Decision）模式。Green and Wind（1973）將多屬性決策模式分為「補償性模式（Compensatory Model）」
與「非補償性模式（Noncompensatory Model）」兩大類，而補償性模式又可 分為「加法效用模式（Additive Utility Model）」、「結構效用模式（Configural Utility Model）」與「減少空間模式（Reduced-space Model）」。
Green and Srinivasan（1978）提出聯合分析一般應用的三種基本偏好模 式均屬補償性模式中的「加法效用模式」，分別為向量模式（Vector Model）、
理想點模式（Ideal Point Model）及成分效用值模式（Part-Worth Model）皆 屬於補償性模式中的「加法效用模式（Additive Utility Model）」。其中，成 份效用值模式在使用上具有彈性、限制少且可以轉換成向量模式與理想點 模式等優點，為聯合模式中最簡化與常用的模型（吳兆益，1982）。
(二) 資料收集的方法
在蒐集受訪者資料的方法中，整體輪廓法（Full-Profile Approach）和兩 因素法（Two-Factor-at-a-Time Procedure）為最常被使用的兩種方法。其中，
有近六成使用者採用整體輪廓法，而兩因素法法的使用率有逐年減少的趨 勢（Wittink and Cattin, 1989），本研究亦採用整體輪廓法。
整體輪廓法，又稱概念評估法（Concept Evaluation Task）或多因素評 估法（Multiple Factor Evaluation）。受訪者將對所有屬性與其水準的所有組 合進行評估，即假若某產品有 k 個屬性，每一個屬性均有 n 個水準，則所 有受測體將多達nk個組合數。
(三) 建立整體廓之受測體
建立受測體時，為避免造成受訪者負擔，聯合分析之屬性數目大都會 控制在 6 個以下且各屬性之水準數目在 4 個以下，再由各屬性之水準組合 成受測體，且受測體數目建議以12 至 18 個為佳，最多不應超過 20 個（Hair, Anderson et al., 1992；Sawtooth Software, 2008）。但若有受測體過多的現象 發生，建議可採用下列三種實驗設計（Experimental Design）方法解決其問 題：（1）部份因子設計（Fractional Factorial Design）、（2）均衡不完全集區 設計（Balance Incomplete Block Design）、（3）部份均衡不完全集區設計
（Partially Balance Incomplete Block Design ）、 隨 機 抽 樣 法 （ Random Sampling）。
(四) 受測體的描述
聯合分析對受測體之描述通常使用下列四種方式，（1）文字描述法
（Verbal Description）、（2）短文敘述法（Paragraph Description）、（3）圖示 呈 現 法 （Pictorial Description ）、（ 4 ） 實 物 展 示 法 （ Physical Product Presentation），上述方式各有其優缺點，設計人員可依其研究屬性特質之需 求與成本考量做適切的選擇（Green, 1978；Green and Srinivasan, 1990）。
(五) 受測體的衡量尺度
聯合分析法常用的受測體衡量尺度包括計量尺度與非計量尺度，其中 計量尺度包括區間尺度（Interval Scales）與比率尺度（Ratio Scales）；而非 計量尺度包括順序尺度（Rank Order Scales）、名目尺度（NominalScales）
與成對比較尺度（Paired Comparison Scales）。
(六) 參數的估計方法
可依不同的應變數之衡量尺度，將參數的估計方法大致分為下列三 類：（1）應變數為順序尺度資料，此類的方法有 MONANOVA（Monotone ANOVA ， 單 調 變 異 數 分 析 ）、 非 計 量 兌 換 程 序 （ Non-metric Trade-off
Procedure，即單調迴歸法，Monotone Regression）、PREFMAP 與 LINMAP，
其中 MONANOVA 僅適用於成分效用模式；PREFMAP 可適用於向量模式 和理想點模式；LINMAP 可適用於三種基本偏好模式。（2）應變數為區間 尺 度 資 料 ， 此 類 的 方 法 有 最 小 平 方 迴 歸 法 （Ordinal Least Square Regression）、最小絕對誤差和迴歸法（Minimizing Sum of Absolute Errors Regression）。該兩種方法皆可提供估計參數標準差，這在非計量的順序尺 度中是無法做到的，而 MSAE 比最小平方迴歸法更為健全，因其可允許研 究者加諸一先驗限制（prior constraints）在估計的參數上。（3）應變數為選 取機率的成對比較資料，可使用的方法有Logit 與 Probit 兩種，前者在估計 程序中可能產生全面性的最大概似估計，但該模型假設不相關選擇間具有 獨立性（即符合 IIA），此假設與實際狀況可能略有出入；而 Probit 適用於 二分法的判斷，如是或不是、買或不買之情形，雖容易回答，但卻無法保 證能得到全面性最佳解。
除上述方法外，若採用Sawtooth Software 公司所設計之 CBC 聯合分析 軟體，其效用的估計方法有次數分析（Count）、多元logit 模型（Multinomial Logit Model，簡稱 MNL）及層級貝氏分析（Hierarchical Bayes，簡稱 HB）
等。而HB 方法在評估個人的成分效用值參數時，可以不必以全秩（full rank）6 方式進行實驗設計，且以均方誤差（mean squared error）角度而言，該法較 OLS 更具有效率（Lenk, 1996；Orme, 2000）
拜電腦軟體發展所賜，以HB 方法估測個人成分效用值之參數值已經可 以在個人電腦上快速的完成計算（Sawtooth Software, 2005）。這樣的發展，
使得CBC 的調查方式不但最符合實際消費行為，也演變成目前最常被採用 的聯合分析方法（Hartmann and Sattler, 2002）。
該方法的特點是「借用」其他個別受訪者的資訊來估測個人的部分偏
好值，該模型之所以被稱為「層級」是因為他有兩個階層（level，此與屬 性之「水準」不同），在上階層模型（Upper Level Model）中，假設個人的 參數符合多變量常態分配（multivariate normal distribution），如下式（Johnson, 2000；Orme, 2000；Sawtooth Software, 2005；羅淑娟、蔡佳璋，2005）：
~ ( , )
在下階層模型中（Lower Level Model）則假設個別個體選擇某一產品組 合（k）的機率分配為邏輯複常態（Multinomial Logit），該產品之效用（Uk） 是所有該產品屬性水準的成分效用值之總和，而受訪者 i 選擇產品組合 k
HB 對參數的估測，學者常利用馬可夫蒙地卡羅法（Markov Chain Monte Carlo，簡稱 MCMC）模式進行參數估測，該方法一開始是先粗略地估測每 一個個人的成分效用值 ßi、平均數與共變異數等，然後以此為起始點，再
利用吉伯斯抽樣方法（Gibbs Sampling7），反覆地以前一次所有其他人之估 測為基準，重複地估測個人的參數值直至收斂，且合理地符合個人的選擇 結果。
三、 市場模擬
聯合分析經常被使用於行銷研究上的主要原因為它能透過聯合模擬將
聯合分析經常被使用於行銷研究上的主要原因為它能透過聯合模擬將