一、 聯合分析之起源及定義
聯合分析法最早由Luce 與 Tukey（1964）所提出，早期稱為「聯合衡 量（Conjoint Measurement）」，應用在心理學的領域上，之後由Green 與 Rao
（1971）將聯合衡量引進行銷學的領域；隨後 Carmone 等人（1978）才將 聯合衡量改為「聯合分析（Conjoint Analysis）」。主要是讓受測者對受測體 的輪廓做整體評估。聯合分析法的重要基本假設是「受測者（respondent）
根據受測體（stimuli）的多個屬性來從事知覺與偏好的整體評估，亦即受測 體的偏好可以分解成各個屬性的偏好分數（preference scores）或成份效用 值（part-worthies）」（Cattin & Wittink, 1982）。
二、 聯合分析之步驟
Green 與 Srinivasan（1978）將聯合分析的分析程序分為六個步驟，即 選擇偏好模式、收集資料、建立整體輪廓之受測體、受測體的描述、因變 數的衡量尺度及估計參數，如表2-8。
表2-8 聯合分析法之步驟-Green 與 Srinivasan
步驟 方法
1.選擇偏好模式 向量模式（vector model）
理想點模式（ideal-point model）
成份效用值模式（part-worth utility model）
2.收集資料 兩因素法（two-factor-at-a-time procedure）
整體輪廓法（full-profile approach）
3.建立整體輪廓之受測體 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 design）
表2-8 聯合分析法之步驟-Green 與 Srinivasan（續）
步驟 方法
4.受測體的描述 文字描述法（verbal description）
短文描述法（paragraph description）
圖形描述法（pictorial description）
5.因變數的衡量尺度 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） 資料來源：Green 與 Srinivasan, 1978
而Hair等人（1992）則將聯合分析分為三大階段，第一階段為設計受測 體（designing stimuli）、第二階段為收集資料（data collection）、第三階段為 估計成分效用值（estimating part-worthies），如表 2-9所示。
表2-9 聯合分析之步驟-Hair 等人
三、 聯合分析之流程
綜合 Hair 等人（1992）以及 Green 與 Srinivasan（1978）所提出之聯 合分析步驟，詳述如下：
(一) 研究問題
聯合分析能夠模擬消費者現實中購買決策過程，現實中，消費者面對同 類相似的產品時，會對產品的多個屬性進行綜合的考慮，而會因為許多原 因，如價格等，使消費者在滿足自身需求的前提下，可能會犧牲其他屬性，
即因為產品屬性水準的不同，而產生屬性間的替換（trade off）關係。故聯 合分析法可以經由受訪者對產品屬性間的選擇及替換過程，了解受訪者對 各種產品屬性及其水準的重視程度和偏好傾向。
(二) 決定屬性及其水準
研究上，決定屬性及其水準會存在幾個問題，像是如何選擇具代表性之 屬性及水準以及屬性及水準的數目等皆會影響整體研究；若列入不重要的 屬性或水準，則增加受測者評估的負擔外，亦影響整體評估的準確性，故 有些人會先進行前測取出重要屬性，以降低選擇不正確屬性的風險（黃俊 英，2000）。屬性與水準之決定，應與研究重點或假設相符，而沒有替換 關係之屬性或差異不明顯之水準均不宜列入。
(三) 決定消費者偏好模型
聯合分析可以用來評價消費者的偏好，給定一系列的產品輪廓（product profiles）讓消費者選擇，可以計算成分效用值（path worths）、重要性的權 重（importance weights）、理想點（ideal points）等偏好的參數（孫祥，陳 毅文，2005 ）。由於消費者在決策過程中，不只考慮一種屬性，因此判斷 消費者知覺及偏好為多屬性決策（multi-attribute decision）模式。而Green 與
2
Wind（1973）將多屬性決策模式分為「補償性模式（compensatory model）
7」與「非補償性模式（noncompensatory model）8」，一般應用的三種基本 偏好模式：向量模式（vector model）、理想點模式（ideal point model）、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）」。加法效用模式不考慮各屬性之交互效果而只考慮 主要效果以避免估計過多參數而降低估計效率，為聯合模式中最簡化且常 用的模型（黃璋如，1999）。
這三種基本偏好模式以成份效用值模式最具彈性，為過去學者較常使用 的偏好模式。此外，研究者亦可以依自由度問題、預測效果問題、預測錯 誤問題以及問題適用性等方法決定所採用的模式（劉景賢，2000；劉家偉，
2005）。
(四) 資料蒐集的方法
在資料蒐集的方法中有兩因素法（two-factor-at-a-time procedure）及整 體輪廓法（full-profile approach）兩種：
1. 兩因素法：
又稱兌換法（trade-off procedure），衡量方法為對一對屬性之各水準組 合的兌換矩陣（trade-off matrix）進行評估，讓受訪者依照偏好排序，逐次 評估其他成對之組合。因此，若有k個屬性，則需評估 個兌換 矩陣。
2k ( 1) /
C
=k k
−2. 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）。即組合全部的屬性及水準，由每一屬性的某一水準共同組成
7 補償性模式：指對產品的效用而言，各屬性之間存在替代關係。
一個受測體，此受測體視為某產品的其中一個整體輪廓，讓受測者對各受 測體依照偏好排序評分或選擇。理論上，假設某產品有a個屬性，每一個屬 性均有b個水準時，則所有受測體將會多達 個組合數，但實際訪問時會先 依照下一段方式建立受測體作為訪問的內容。
b
a(五) 建立受測體
無論是採用兩因素法或整體輪廓法蒐集資料，在建立受測體時，為了避 免受測者之負擔，聯合分析之屬性數目大部分會控制在6個以下且各屬性之 水準數目在4個以下，再由各屬性水準組合成受測體。有三種實驗設計
（experimental design）之方法能解決受測體過多的問題：
1. 部份因子設計（fractional factorial design）
當屬性水準一致時，利用直交排列設計減少受測體的數目，若不一致則 採用不對稱直交排列設計，此方法較為簡單且較常被運用，但是此設計只 能計算各屬性的主要效果，不考慮交互效果，故因子間若存在明顯的交互 效果時則不適合採用。
2. 均衡不完全集區設計（balance incomplete block design）
當屬性數目太多且無法捨棄時，則採用此方式，以某種形式的平衡將屬 性水準劃分到幾個集區內。
3. 部份均衡不完全集區設計（partially balance incomplete block design）
與均衡不完全集區設計類似，只是將其參數限制去除，適用於將受測體 分批讓受測者填答時之情況。
(六) 選擇受測體說明方式
聯合分析中對受測體之描述方法有三種（Green & Srinivasan, 1978）：
1. 文字描述（verbal description）
2. 短文敘述（paragraph description）
3. 圖片呈現（pictorial description）
(七) 選擇偏好的衡量方式
聯合分析之發展，由過去的自顯性偏好模式（Self-Explicated Model）、
傳統聯合分析模式（Traditional Conjoint Model）、混合模式（Hybrid Model）、 適應性聯合分析（Adaptive Conjoint Analysis），一直到近幾年的貝氏聯合分 析、選擇為基礎之聯合分析（Choice-Based Conjoint Analysis）等，使聯合 分析之發展愈趨成熟，以下介紹聯合分析的幾種基本模式，包括自顯性偏 好模式、聯合分析模式、混合模式以及選擇為基礎之聯合分析：
1. 自顯性偏好模式（Self-Explicated Model）
為一種組合方法（Compositional Approach），收集受測者對各屬性的偏 好權數及屬性水準的理想性分數，透過運算法則，藉由各屬性的權數與屬 性水準偏好組合，以估計受測者對某一受測體的整體偏好。其分析步驟為：
步驟一：列出所有的屬性及水準。
步驟二：在10 點尺度上，讓受測者排序每組屬性水準，受測者最偏好的屬 性水準之喜好度（desirability）為 10 點，再依偏好程度排 列其餘 屬性水準。
步驟三：排序完所有屬性水準後，再依據受測者對所有屬性之認知的相對 重要性給予權數。權重總合必須為一定數（contant），例如 100、
150。
步驟四：利用加法模式（additive model）將產品之各項屬性水準值相加，
即可得到受測者對個別受測體輪廓（stimulus profile）的自顯性偏 好分數。
根據上述步驟求得個別受測者對每個受測體輪廓之效用，但是加法模式
只表現出屬性間的主要效果（main effect），而無法得知屬性間的交互效果
（internet effect）。
2. 傳統聯合分析模式（Traditional Conjoint Model）
主要利用已知的受測體輪廓，分解出各屬性的成份效用值。其分析步驟 為：
步驟一：給予受測者一系列的受測體輪廓。
步驟二：讓受測者依其偏好程度排序受測體或是在一計量尺度上作評比。
步驟三：利用受測者對產品作整體評估後，透過參數的估計，將受測者對 各屬性之權數與屬性水準的偏好資料分解成各屬性水準的成份效 用值。
步驟四：利用成分效用值求得各種組合的受測體輪廓。
3. 混合模式（Hybrid Model）
由於在傳統聯合分析模式下，受測者必須對所有屬性及其水準所組成 的受測體作評估，因此當屬性水準的數目增加時，則會造成受測者的負擔，
故 Green 等人（1981）提出另一種效用模式，主要結合自顯性偏好模式與 聯合分析模式的混合模式。其分析步驟為：
步驟一：資料收集方式和自顯性偏好模式相同
步驟二：陳列出有限的受測體輪廓集合（通常3 至 9 個）讓受測者在購買 強度的尺度上評估每一個受測體輪廓。
步驟三：為避免估計參數時，自由度的不足，因此將自顯性效用函數中 相似的受測者資料給予合併，並將其分群。
步驟四：利用最小平方法個別估計每一個集群的參數。
4. 以選擇為基礎之聯合分析（Choice-Based Conjoint Analysis）
由 Luce（1959）提出，因計算過程非常複雜，直到近幾年電腦運算能
。
力日益強大才被廣泛的應用在行銷研究領域上（劉家偉，2005）。其分析步 驟為：
步驟一：透過實驗設計建立多個產品集合，每個集合中有多個產品組合。
步驟二：建立產品的實驗設計有三項原則，包括正交性9（orthogonality）、
平衡性10（balance）以及最小重覆性11（minimal overlap）（劉家 偉， 2005）
步驟三：讓受測者每次針對一個集合中的各種產品組合選擇一個最喜歡、
最偏好的產品組合，稱為選擇工作（choice task）。
步驟四：選擇效用的估計方法。
由上述可知，聯合分析至今已發展出多種不同的偏好衡量模式，本研究 整理以上四種模式之優缺點，如表2-10所示。
由上述可知，聯合分析至今已發展出多種不同的偏好衡量模式，本研究 整理以上四種模式之優缺點，如表2-10所示。