• 沒有找到結果。

田口方法於聯合分析中之應用An Application of Taguchi's Method to Conjoint Analysis

N/A
N/A
Protected

Academic year: 2021

Share "田口方法於聯合分析中之應用An Application of Taguchi's Method to Conjoint Analysis"

Copied!
18
0
0

加載中.... (立即查看全文)

全文

(1)

行政院國家科學委員會專題研究計畫 成果報告

田口方法於聯合分析中之應用

計畫類別: 個別型計畫 計畫編號: NSC94-2416-H-110-009- 執行期間: 94 年 08 月 01 日至 95 年 07 月 31 日 執行單位: 國立中山大學企業管理學系(所) 計畫主持人: 蔡憲唐 計畫參與人員: 姜昱伊、呂宗翰、簡永杰、石孟勳 報告類型: 精簡報告 處理方式: 本計畫可公開查詢

中 華 民 國 95 年 10 月 31 日

(2)

行政院國家科學委員會補助專題研究計畫

█ 成 果 報 告

□期中進度報告

田口方法於聯合分析中之應用

計畫類別:■ 個別型計畫 □ 整合型計畫

計畫編號:

NSC

94-2416-H-110-009-執行期間:94年08月01日至95年07月31日

計畫主持人:蔡憲唐 國立中山大學企管系教授

共同主持人:

計畫參與人員:

姜昱伊、呂宗翰、簡永杰、石孟勳

成果報告類型(依經費核定清單規定繳交):■精簡報告 □完整報告

本成果報告包括以下應繳交之附件:

□赴國外出差或研習心得報告一份

□赴大陸地區出差或研習心得報告一份

□出席國際學術會議心得報告及發表之論文各一份

□國際合作研究計畫國外研究報告書一份

處理方式:除產學合作研究計畫、提升產業技術及人才培育研究計畫、列

管計畫及下列情形者外,得立即公開查詢

□涉及專利或其他智慧財產權,□一年□二年後可公開查詢

執行單位:國立中山大學企管系

中華民國 95 年 08 月 01 日

(3)

田口方法於聯合分析中之應用

摘要 聯合分析為多屬性決策常用的方法之一,相關研究在應用部分因子實驗設計 蒐集因子數較多的資料時,常以直交表實驗設計減少所蒐集的受測資料。但此類 研究大都僅考慮直交表主效果,而忽略交互作用,往往容易造成研究結果的扭 曲;另外,也有研究質疑直交表的內部效度並不高。本研究導入田口方法的直交 設計於聯合分析中,建立一完整的「田口式聯合分析」研究方法,包括如何選擇 適當的直交表、採用正確的分析方法及進行效果確認等,並透過實證研究驗證此 方法,並提出適當的方法論上的討論與解決建議。 關鍵詞:聯合分析、直交表、田口方法、交互作用

An Application of Taguchi’s Method to Conjoint Analysis

Abstract

Conjoint analysis is one of the most important techniques in multivariate analysis, mostly applied in marketing field. Since there are multiple attributes and levels existing in stimuli and causing respondents hard to choose the right combinations, therefore, it is necessary to apply orthogonal arrays to reduce the numbers of stimuli and costs of analysis. Most local and foreign academic journals only consider orthogonal main effect to conduct analysis instead of interaction effects among attributes. In addition, there are no clear analysis procedures existing in popular marketing research or multivariate analysis textbooks for researchers to utilize orthogonal arrays in conjoint analysis. These factors usually cause incorrect research inferences. This project’s main purpose is to apply Taguchi method to conjoint analysis, from choosing appropriate orthogonal arrays to using accurate analysis methods on confirming effects of attributes, to set up an integrated methodology called “Taguchi-based Conjoint Analysis”. The forecasting research results are solid and extremely valuable to academics and practitioners.

Key words:Conjoint Analysis, Orthogonal Arrays, Taguchi Method, Interaction

Effect

前言

聯合分析法常應用於消費者面對多個屬性水準所組成的產品或服務的購買 行為時,如何進行多屬性決策的衡量(Srinivasav & Shocker, 1973),亦即設計行銷 實驗,利用潛在顧客對於各種不同產品的評估,來發現消費者本身的需求與價值

(4)

的結構,從而發展出因應各種消費者需求特性來設計的不同產品,對消費者可能 產生回應之評估。

假使欲衡量的屬性過多,資料蒐集常是聯合分析程序中一個繁重的工作,對 受測者而言則會因為一次評估太多屬性而產生混淆與認知疲乏,於是促使學者尋 求在處理大量屬性時有效率的替代方法,例如Self-explication Approach、Adaptive Conjoint Analysis(ACA)、Choice-based Conjoint Analysis(CBC)、Adaptive Choice Conjoint Analysis與Hybrid conjoint analysis等,透過受訪者勾選特定偏好的預設屬 性集合,或成對比較的方式,或利用電腦判讀受訪者的選擇以調整後續的選擇組 合,以找出消費者的偏好結構,都是常見的替代方法(Green, 1984; Geen and Srinivasan, 1990; Toubia, Hauser and Simester, 2004)。雖然聯合分析已發展出不同 的調查或實驗方法,但聯合分析研究的主要目的仍在發展能獲取“足夠的"資料 數的最少問卷題項或最少實驗次數的技術,並以此實驗資料作為多個屬性的顯著 性之假設驗證基礎(Giancristofaro, 2003; Green, 1984; Green, Krieger and Wind, 2001)。 採用聯合分析法時,基本假設、資料蒐集與分析方法為主要的核心所在。聯 合分析為一解決多屬性概念的決策方法之一,而屬性之間是否存在某一程度的相 關性,一直是量化研究中的變數分析所關切的議題。在多屬性或多構念的衡量 時,常會因屬性或構念間高度的相關性,產生共線性,而導致衡量誤差。因此, 為避免此類誤差,關於聯合分析的一個重要基本假設,係要求屬性間彼此的關聯 程度低,亦即成分屬性間是傾向獨立的,且具有可加性的效用特性(Hair et al., 2006),因為如此將較能規避可能造成的誤差。但此一假設,又往往與社會科學 的真實情況相悖。 當屬性過多時,資料蒐集又是研究上所關切的另一個重點。為了有效降低屬 性集合的實驗次數,卻又不希望減損研究的效度與可信度,研究上常尋求與全部 進行實驗等效而又不會太過繁雜的替代法。例如,在資料蒐集方面經常採用的整 體輪廓法(Full-profile),當選擇的因子與水準數太多時,若進行全因子實驗設計 (Full factorial design),易造成受訪者的資訊過量與混淆,於是為減少受測組合次 數常用的部分因子實驗設計(Fractional factorial design)成為解決方案之一,其中 又以直交表(Orthogonal arrays)蒐集實驗資料最為文獻普遍採用。但此類研究大都 僅考慮直交表主效果,而忽略交互作用,往往容易造成研究結果的扭曲(Darian, Tucci and Wiman, 2001; Moore and Holbrook, 1990; Toubia, Hauser and Simester, 2004);有研究則是採用直交設計發展最適的產品偏好組合,指稱是「類似於田 口設計(similar to Taguchi designs)」,但卻無田口方法的精神(Grissom et al., 2006)。

另外,也有研究質疑直交表的內部效度並不高(Green, Helsen and Shandler, 1988)。這樣的質疑是很合理的,在多屬性衡量的決策中,除非進行全因子的實 驗,否則各個因子對準則變數(依變數)的效應可能產生混淆,亦即因子效應間的 交絡現象(confounding)是無可避免的,但透過田口方法的直交表設計,可以進一 步探討因子與因子之間或因子與交互作用項之間的交絡現象。

(5)

基於此,本研究針對採用直交表進行聯合分析的實驗蒐集,提出一套完整的 聯合分析研究方法,包括如何選擇適當的直交表及採用正確的分析方法等,以應 用於聯合分析的理論面與實證面,並以實例驗證本研究方法,來做效果確認與標 準化。 歸結本研究目的包括以下三點: (1)探討聯合分析方法中部分因子設計的特性及交互作用對研究結果可能造成的 影響; (2)導入田口方法於聯合分析,以解決前揭問題;本研究並提出完整的研究方法 與進行步驟,將之命名為「田口式聯合分析」; (3)透過實證個案,評估此「田口式聯合分析」方法的應用方式及其優缺點。 理論背景 聯合分析(conjoint analysis)是多變量分析技術的一種相依方法,在各種相依 方法中,聯合分析所需要的統計假定條件最少,如不需要做常態性、變異數相等 性和獨立性等假設的統計檢定(Hair et al., 2006; 黃俊英,2000)。聯合分析是在 受測者對某一受測組合(a set of stimulus)之整體評估結果的情形下,經由分解法 (decompositional approach)將多屬性集合的整體評估分解、推求各個屬性的成分 效用值(Part-worths),評估受測者的偏好結構(Green & Srinivasan, 1978;

McCullough, 2002)。它的準則變數(yi)是受測者對一受測組合(Stimulus)的整體評

估,預測變數(xi)是組成受測組合的各個不同因子水準,它的基本假設是:受測

者是依據構成受測體的多個屬性(attributes)來進行知覺和偏好的判斷;也就是受 測者對於某一受測體的偏好可以分解成各該受測體的多個屬性的成份效用值 (part-worth utility)或偏好分數(preference scores) (Green & Srinivasan, 1990; Marshall & Bradlow, 2002; Wyner, 1992);同時,屬性間彼此的關聯程度低,且 具有可加性的效用特性(Hair et al., 2006)。

聯合分析中受測組合的展示方法主要有兩因素法、成對比較法及整體輪廓法 三種,其中整體輪廓法(Full-profile)因可用部分因子設計來減少多屬性衡量的 受測組合數,被普遍所採用(Green & Srinivasan, 1978, 1990; Green et al., 2001); 而後當聯合分析發展出許多不同的分析方法時,部分研究進行方法之對比、比較 時,傳統的聯合分析法亦多指整體輪廓法(Giancristofaro, 2003; Hair et al., 2006; Moore and Holbrook, 1990)。整體輪廓法係在受測組合問項中列舉所有的重要屬 性,並由各屬性中的某一水準共同組成此一受測組合,每一受測組合可視為具有 各種屬性的一個受測的整體輪廓。但因受測者所需評估的受測組合太多,常超出 受測者所能負擔的範圍,譬如說有五個屬性,每個屬性都有三個水準,即有 5 3 =243個受測體組合。因此在整體輪廓法下,如何處理過多的組合,建立起適 當的受測體組合,使之既具有代表性而又在受測者能力範圍之內,為一個非常重 要的課題。Green(1974)使用部分因子設計(fractional factorial design),以減少受測

(6)

體組合的數目到一可處理的範圍之內,而又同時能維持直交性(orthogonal)。這類 的設計假設因素或屬性間僅存有主效果(main effect),而排除了交互效果

(interaction effect),亦即不考慮屬性之間的交互效果,被稱為直交主效果

(Orthogonal Main-effect plans)或主效果直交表(Main-effect orthogonal design)設計 (Addelman, 1962),這類設計係採用直交表(orthogonal arrays)的因子配置方式,以 減少受測體的數目,又期望能與實驗預期的結果一致。 1.直交設計 在實驗設計中,考慮所有可能的因子排列組合者,稱為「全因子」實驗法 (Full-factorial experiments)。假設有七個因子,每個因子有兩個水準,則需要進行 128 (=27)組實驗。在全因子的實驗計劃中,存在下列二種特性(李輝煌,2000): (1)每一行都是自我平衡的(self-balanced),即每一行中各水準出現的頻率是 相同的;例如,若每一因子的水準數皆為二,則每一行中水準1出現的機率與水 準2出現的機率相同,皆為1/2。 (2)每二行間是相互平衡的(mutual-balanced),即每一行某水準出現的所有 組,對照至另一行各水準出現的頻率都是相同的。例如,若每一因子的水準數皆 為二,則每一行中水準1出現的所有組,對照至其他任一行時,水準1與水準2出 現的頻率皆會相同。 基於上述特性,所以「全因子」實驗必然是直交(orthogonal)的。然而,其缺 點是須考慮所有可能因子組合進行多次實驗,耗費人力與成本;為求以較少的實 驗次數,求得一組最佳的解決設計,運用「田口直交表」的設計,成為一有效的 實驗設計。 典型的直交表以La(bc )來命名,代表a組實驗、最多可容納b個水準的因子c 個,亦即代表一個a列c行的直交表。例如各含二水準之七因子實驗,進行八次實 驗的直交表設計以L8(27)表示,如《表1》所示: 表1 L8(27)直交表形式 實驗 A B C D E F G 1 1 1 1 1 1 1 1 2 1 1 1 2 2 2 2 3 1 2 2 1 1 2 2 4 1 2 2 2 2 1 1 5 2 1 2 1 2 1 2 6 2 1 2 2 1 2 1 7 2 2 1 1 2 2 1 8 2 2 1 2 1 1 2 《表1》之直交表係假設每一個因子的效應是獨立的,亦即因子間沒有交互

(7)

作用(interaction),且滿足可加性(additive);實際上,因子之間的效應常是會互相 影響的,即不同因子間存在交互作用,則上圖之直交表亦可應用於具有交互作用 的A、B與C三因子實驗之直交表,透過查詢交互作用表與檢視不同行之間交絡 (confounding),直交表可以加入A、B與C的交互作用項之形式表示。 2.田口式直交表 「田口方法」是以實驗的手段來設計生產製程、產品設計的參數,而在現實 生活上,實驗者所考量的參數常是眾多且彼此具有相關性存在,於是需要的實驗 次數相對地也需要更多。而為了減少實驗次數,「田口方法」依設計的因子及其 水準數,選用適當的直交表,其目的也在尋求最佳的產品設計改良方案,並維持 此一機能的穩健性(robustness)。傳統上,「田口方法」包含下列的主要步驟(Peace, 1993): (1)選定品質特性﹔ (2)判定品質特性之理想值﹔ (3)列出所有影響此品質特性的因子﹔ (4)定出控制因子的水準﹔ (5)透過各因子本身及與其他因子交互效果的交絡(confounding),縮減實驗因子與 實驗次數﹔ (6)依因子及水準數目選定適當的直交表﹔ (7)進行實驗,蒐集實驗數據﹔ (8)找出最適的因子水準組合﹔ (9)進行確認實驗(confirmation run),以確定最適組合的效果是否與各自因子的最 適效果之合計一致,以確認最適組合的適當性。 田口方法強調因子間的交互作用是必須加以考慮的,透過嚴謹的實驗設計, 找出最佳的參數組合後,進行確認實驗更是田口方法重要的精神所在。 關於交互作用的因子效果,藉由田口方法的運用,更提供一套萃取因子效果 的有效方式。在前述《表 1》的 L8 直交表,亦可以應用在有 A、B、C 與 D 四 個因子實驗,且 D 與其他三個因子無顯著交互作用時,可以 D 取代「AxBxC」 之交互作用。事實上,田口方法也強調,當與實驗誤差相比,較細微的或較無意 義的交互作用可以忽略。 若以前述《表1》中每個實驗設計有10個實驗樣本的情況,考慮交互作用之 直交表如《表2》所示,各樣本值為10個實驗的平均值;由水準1的樣本平均合計 值與水準2的樣本平均合計值之差,可求出各因子的效果,包括主效果與交互作 用效果:

(8)

表2 田口直交設計之主效果與交互作用效果

實驗 A B AxB C AxC BxC AxBxC 實驗樣本

均值 1 1 1 1 1 1 1 1 y1 2 1 1 1 2 2 2 2 y2 3 1 2 2 1 1 2 2 y3 4 1 2 2 2 2 1 1 y4 5 2 1 2 1 2 1 2 y5 6 2 1 2 2 1 2 1 y6 7 2 2 1 1 2 2 1 y7 8 2 2 1 2 1 1 2 y8 水準1均值 水準2均值 因子效果 《表 2》最下面三列為因子反應表(response table),係以水準 2 均值減水準 1 均值,做為各因子的因子效果(factor effect);觀察各因子的因子效果,我們可以 得知因子效果的相對大小及方向,並從各因子的水準比較,得出最佳水準組合。 除此外,亦能看出交互作用項的表現。 倘若屬性間的交互作用對分析的結果影響較大時,將會影響只採用主效果之 評估結果的正確性。然而在聯合分析的行銷研究中,多假設不同屬性間僅存有主 效果,而排除交互作用效果,實驗結果的分析必然受到扭曲。因此,結合田口方 法的精神,我們提出一「田口式聯合分析」方法,以更嚴謹的直交設計,對聯合 分析提供更精確的資料蒐集與分析方法。 田口式聯合分析 聯合分析是在受測者對某一受測體集合之整體評估結果的情形下,經由分解 法去評估其偏好結構的一種分析方法,若屬性間無交互作用,則由屬性所推導出 的主效果將可有效預測整體受測體偏好;但是要受測者在面對多屬性及多水準所 組成的受測體集合時,現行的部分因子設計雖能降低受測體數目,但是也必須付 出預測不準確的代價。 在蒐集消費者對於多屬性回應的資料時,當採用整體輪廓法,對每一受測組 合描述所有屬性,若屬性數量過多,全部受測體集合呈現在受測者面前將因資訊 過量導致評估的模糊與結果扭曲,且易造成人力、時間與成本浪費,於是,田口 直交法的設計成為減少組合數目、較有效率蒐集資料的方法。

(9)

針對上述所討論的問題,本研究結合田口方法,將正確的選擇直交表及分析 方法納入考量,以使聯合分析更加完整,並命名為「田口式聯合分析」方法。本 方法與傳統聯合分析的差異點如下所述。 1.選擇正確的直交表 在多個屬性與各屬性不同水準的組合下,若針對全部屬性與水準的組合,全 因子實驗將導致龐大的直交表呈現;田口直交表則是考量各因子的交絡作用 (confounding),產生較少實驗數的推論方式。 直交表會因水準數(例如二水準、三水準或四水準以上)而有不同的形式,通 常在問題不夠明確、品質特性的理想值不明顯時,特定因子會採用三水準以上, 以慢慢調整出較適當的品質特性;而針對較明確的研究問題、解決方案也較明確 的情況下,傾向採用二水準的設計。 2.正確的資料分析法 直交表的設計在利用較少的實驗數,產生適當的分析結果;全因子實驗能夠 考慮所有的因子水準組合,若採部分因子實驗,則最適因子水準的挑選,將隱含 忽略部分交互作用項的作用。因此,為求減少實驗次數所採取的部分因子實驗設 計,在其資料分析過程,交互作用效果與交絡現象都是必須加以考量與討論的。 3.導入確認實驗的概念 「田口式聯合分析」除了提供田口式直交表導入聯合分析的研究程序之修正 建議外,更重要的是融入田口方法中的「確認實驗」之精神,因為在部分因子實 驗中,因子水準的受測組合已減少了,在反應表中別單獨挑選最是因子水準時, 可能的情況是選定的最適組合並未出現在受測組合中,確認實驗即在對該最適組 合進行與真實狀況的對比,以確定該組合的實際優劣。確認實驗的另一個目的也 在確認交互作用效果的正負方向,亦即驗證原先模式所設定的可加性(additive) 假設是否何宜,當交互作用存在,原先若只著眼主效果的可加性假設必然受到動 搖。 田口式聯合分析的進行步驟如圖1所示。在資料蒐集方面,我們採用整體輪 廓法展現待評估受測組合(屬性與水準集合)給受訪者,並以田口式直交表的方式 配置受測組合。

(10)

圖1 田口式聯合分析法進行步驟 實例驗證 實證方面分由二個研究進行,第一個研究針對以往研究論文進行過的分析個 案,進行再次實驗的重分析;第二個研究則以該研究論文結果,作為模擬方法的 真實函數,進行模擬實證。 (一)研究一 1.確認多屬性研究問題 本研究採用鄭士蘋等(2005)針對「行動電話服務業服務品質、產品價格與轉 換成本對顧客轉換意願影響之研究」所採用之聯合分析法,以本研究提出之田口 多屬性決策問題/ 可加性模式的大膽假設 因子與水準設定 選擇適當田口直交表 資料蒐集 資料分析/ 個別因子單獨挑選最適水準 決定最適因子水準組合 最適組合確認實驗 確認最適組合 確認結果不符 合 真實函數 為可加性 真實函數非可加性 最適組合確有 最佳表現 整體交互作用效果為正 用效果為負 整體交互作

(11)

式聯合分析法之進行步驟,再進行一實驗,以實際驗證此方法。文獻上以聯合分 析進行行銷實驗者不勝枚舉,但本研究採用國內研究進行重分析的理由,係因國 內研究較能符合國內經濟形勢與消費者習慣,故以為之。 2.確認屬性、水準與交互作用 依鄭士蘋等(2005)經由整理相關變數的支持文獻、進行消費者訪談後,確認 影響顧客對轉換行動電話服務業者之意願的重要變數及水準如《表3》所示。本 研究進行重複驗證實驗時,係採用與該研究相同的屬性與水準配置,以利於研究 結果之對照。 表3 影響轉換行動電話服務業者意願的重要變數及水準 屬性 對應之二水準(代碼: 1,2) A.通訊品質 z 與目前使用廠商無差異(1) z 較目前使用廠商佳(2) B.客服品質 z 與目前使用廠商無差異(1) z 較目前使用廠商佳(2) C.價格 z 月租費及其他費用較目前使用廠商低(1) z 月租費及其他費用與目前使用廠商無差異(2) D.轉換成本 z 低(1) 轉換新系統程序簡單,新服務容易適應 z 高(2) 轉換新系統程序複雜,要花很多時間適應 在屬性的交互作用方面,文獻上支持通訊品質與客服品質為服務品質的二個 重要構面(Gronroos, 1990),Zeithaml(1988)亦認為價格是消費者最容易知覺到產 品品質的象徵屬性,並會影響到顧客的轉換行為(Wathne et al., 2001),但轉換成 本與其他三個屬性的關係似未有同等顯著關聯,因此,本研究將優先考慮 A、B 與 C 三個屬性之間的交互作用。 3.選擇適當田口式直交表 依上述2.的討論,本研究確認四個重要屬性與三個交互作用,且每個屬性皆 有二水準,因此採用《表2》的L8(27)直交表型式,而將AxBxC欄以D取代之,如 下《表4》所示。本研究以8組整體輪廓的受測組合呈現受測者,請其就此8組進 行偏好排序。 表4 四因子實驗之田口式聯合分析L8(27)直交設計 受測組合 A B AxB C AxC BxC D (AxBxC) 受測者之 排序均值 受測組合1 1 1 1 1 1 1 1 y1 受測組合2 1 1 1 2 2 2 2 y2

(12)

受測組合3 1 2 2 1 1 2 2 y3 受測組合4 1 2 2 2 2 1 1 y4 受測組合5 2 1 2 1 2 1 2 y5 受測組合6 2 1 2 2 1 2 1 y6 受測組合7 2 2 1 1 2 2 1 y7 受測組合8 2 2 1 2 1 1 2 y8 水準1均值 水準2均值 因子效果 依據田口方法,在進行實驗時,不必理會AxB、BxC與AxC的設定水準,因 為這些交互作用行的水準會自然符合(李輝煌,2000),而A、B、C與D欄仍然是 直交的狀態。例如,在受測組合5中,只要設定(A、B、C、D)的水準在(2、1、1、 2)即可,而不必呈現交互作用項給受訪者。 4.資料蒐集 選定正確的田口式直交表後,本研究將8組整體輪廓的受測組合施予15名受 測者進行偏好排序。各受測者之偏好排序與各受測組合的排序平均值詳如《表5》 所示。 表5 受測者對受測組合之排序 受測者 受測體 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 受測者 之排序 組合1 6 2 3 2 6 5 4 2 2 7 4 5 2 1 2 4 組合2 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 組合3 7 6 7 7 3 2 3 6 6 5 3 6 4 5 4 5.08 組合4 5 4 4 4 4 7 6 7 7 6 6 7 7 2 7 5.58 組合5 3 5 6 6 2 6 2 3 3 2 2 3 3 6 3 3.58 組合6 2 3 2 3 5 3 7 5 5 4 7 2 5 4 6 4 組合7 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 1 組合8 4 7 5 5 7 4 5 4 4 3 5 4 6 7 5 4.75 5.資料結果分析

(13)

表6 資料結果分析 受測組合 A B AxB C AxC BxC D (AxBxC) 受測者之 排序均值 受測組合1 1 1 1 1 1 1 1 4 受測組合2 1 1 1 2 2 2 2 8 受測組合3 1 2 2 1 1 2 2 5.08 受測組合4 1 2 2 2 2 1 1 5.58 受測組合5 2 1 2 1 2 1 2 3.58 受測組合6 2 1 2 2 1 2 1 4 受測組合7 2 2 1 1 2 2 1 1 受測組合8 2 2 1 2 1 1 2 4.75 水準1均值 5.5 4.85 4.417 3.32 4.417 4.433 3.6 水準2均值 3.5 4.15 4.583 5.68 4.583 4.567 5.4 因子效果 -2 -0.7 0.167 2.37 0.167 0.133 1.8 在田口方法中,「因子效果」係由水準 2 均值減水準 1 均值,觀察各因子的 因子效果,我們可以得知 B 因子的因子效果是最小的,且從因子效果的方向, 可選取最適因子水準組合。從《表 6》也可以透露交互作用項的訊息,AB、AC 與 BC 的交互作用都是不顯著的,但最後一欄的 D 或 ABC 交互作用項因為值交 表的配置而產生交絡現象,究竟 1.8 的效果係來自於 D 因子主效果或 ABC 交互 作用項,就是必須加以討論與確認的。 在聯合分析中,上表之水準 1 均值與水準 2 均值即作為估計成分效用值 (Part-worths)的計算之用,因子效果即為因子相對重要性(Factor Importance)的計 算基礎,被稱為成分效用值範圍(Range of Part-Worths),故在此方法程序中,二 種方法的原理其實為相通的,只是聯合分析藉由成分效用值估算出其因子的重要 性,而田口方法直接由因子效果判斷各個因子的重要性,所不同的是,運用田口 方法還能夠直接看出交互作用項的效果,以及包括交絡現象的驗證方向。 6.決定最適組合 這樣的最適組合顯而易見的是「A.通訊品質」因子採用「較目前使用廠商佳 (2)」水準,「B.客服品質」因子採用「較目前使用廠商佳(2)」水準,「C.價格」 因子採用「月租費及其他費用較目前使用廠商低(1)」水準,「D.轉換成本」因子 採用「低(1)」水準。 7.執行確認實驗 最後,我們可將上述最適組合再進行單一組合的實驗,以確定此一組合確為

(14)

最適組合。 (二)研究二 先設定一真實函數,作為進行函數模擬與確認實驗的基礎,並分別討論三種 如圖一可能出現的情況。 Case1: y = u + A + B + C + D 真實函數假設為 yi = μ +αi +βi +γi +δi 本函數為討論模式方便,暫不予考慮誤差項,且假設可加性模式。各參數值 假設如下表所示。 i μ αi βi γi δi 1 2 -1.46 -0.6 0.54 0.7 2 2 1.46 0.6 -0.54 -0.7 將上述函數以L8直交表進行模擬數據,再對因子反應表中的因子水準均值 兩兩比較,找出最適組合為A2B2C1D1,其y值為5.3;繼而將此最適組合進行真實 函數的確認實驗,其y值亦為最適組合,確認實驗結果符合目標,顯示上列可加 性模式是成立的。 Case2: y = u + A + B + C + BC + D 真實函數假設為 yi = μ +αi +βi +γi +(βγ) i +δi 本函數為討論模式方便,亦暫不予考慮誤差項,但假設為具有交互作用之非 可加性模式。各參數值假設如下表所示。 i μ αi βi γi (βγ) i δi 1 2 -1.46 -0.6 0.54 2.3 0.7 2 2 1.46 0.6 -0.54 -2.3 -0.7 將上述函數以L8直交表進行模擬數據,再對因子反應表中的因子水準均值 兩兩比較,找出最適組合為A2B2C1D1,其y值為3;繼而將此最適組合進行真實 函數的確認實驗,其y值卻非最適組合,最適組合為A2B1C1D1確認實驗結果符合 目標,顯示BC的交互作用對模式產生影響,但以因子交絡性而言,我們其實難 以看出究為BC或AD的交互作用對模式產生影響,因為BC與AD在直交表設計下 已產生了實驗中不可控的交絡影響。 由上述二個以假設的真實函數所做的模擬實驗數據可看出,因子的交互作 用、交絡性真真確確地隱含在模式中,研究者時不應忽略這些影響,只考慮因子 主效果的研究結果,容易對真實的推論與解釋產生更多偏誤。因此,本研究將對 上述的釋例提出統計方法論上的討論與解決建議。

(15)

結果與討論 傳統的聯合分析法,採用整體輪廓法進行資料蒐集時,為了讓受訪者再對受 測組合排序時,不致因為資訊過量的處理能力之限制,而採用直交設計來簡化受 測組合數,卻也容易產生只討論主效果而忽略交互作用效果的爭議。 1.因子效果的適切討論 在聯合分析的研究中,常為了排除交互作用效果,而在因子或屬性的選擇 上,要求屬性間非具有相依關係的特性,以滿足成分屬性效果的可加性,使不同 屬性間僅存有主效果,而能滿足此一方法選擇的適切性,但卻往往使研究的範圍 趨於狹隘。例如,社會科學中,許多多屬性的決策常常是從多個相依的屬性間進 行取捨決策,如要設定評估的屬性之間不具有相依性,往往使研究的情境過於簡 化,或逕行假設只有主效果存在(Darian, Tucci and Wiman, 2001; Grissom et al., 2006; Moore and Holbrook, 1990; Toubia, Hauser and Simester, 2004)。事實上,這 就是非可加性(non-additive)模式所欲探討的內涵。

2.交絡現象的忽略

聯合分析的研究中,常會使用部分因子實驗設計,或者直接採用直交表的設 計,因子間的交絡現象卻常未見討論(Darian, Tucci and Wiman, 2001; Moore and Holbrook, 1990; Grissom, Belegundu, Rangaswamy & Koopmann, 2006);也有研究質疑 直交表的內部效度不高(Green, Helsen and Shandler, 1988)。因此,如果只討論因

子的主效果,其實是忽略了因子與其他交互作用項的交絡現象。例如,在24因子 實驗採用L8直交表時,最後一欄若配置D,則必然與ABC交互作用項產生交絡作 用,各因子與交互作用項之交絡如《表7》所示,亦即,究竟其效果係來自於D 因子主效果或ABC交互作用項,是在研究中常會被忽略的。 表7 L8(24 )直交表之因子交絡對應表 直交表項 A B AB C AC BC D

對應 BCD ACD CD ABD BD AD ABC

3.確認實驗的必要性

確認實驗的目的是為了確認結果的再現性,亦即在最佳條件(如 A1 B2 C1 D1)之下,再做一次實驗,以確認此一最適組合的適切性。以往關於傳統聯合分 析研究的部分因子實驗設計,以直交表進行資料分析時,皆是在只針對主效果的 探討所找出的最適組合,然而此最適組合卻不一定出現在受測組合中,確幾乎沒 有任一研究再針對此一最適組合做確認研究(Green, 1984; Green, Helsen and Shandler, 1988; Darian, Tucci and Wiman, 2001; Grissom et al., 2006; Giancristofaro, 2003; Green & Srinivasan, 1978, 1990; Moore and Holbrook, 1990)。

(16)

4.交互作用效果的追溯探討

在進行實驗設計時,我們常會討論交互作用對整體模式的影響;或討論部分 因子實驗的直交表設計時,前述也討論到只討論因子的主效果時,其實隱含忽略 了因子與因子間、因子與交互作用項間的交互作用效果,這樣的討論集中在因子 之間所必然存在的,或因交絡現象所產生的交互作用,但模式整體的交互作用 (Total Model Interaction)的影響因素真的只來自於因子嗎?

從模式整體角度觀之,在大膽假設模式具可加性之前,更重要的前提應該是 要先判斷測量變數(yi) 與衡量的屬性(xi)之間無交互作用效果的存在,亦即田口 方法所指稱的品質特性(yi)的尋找與影響因子(xi)的決定,必須確定之間是否存在 交互作用。若是所建構的品質特性(yi)與影響因子(xi)之間確實無顯著交互作用存 在,當然可以繼而大膽假設可加性模式的存在;但若品質特性(yi)與影響因子(xi) 之間即存在顯著交互作用,則即使假設因子間具有可加性模式,模式相對於真實 函數仍具有難以從因子間的相互影響所解釋的誤差。 5.確認實驗結果不符的可能原因 確認實驗的目的是為了確認最適組合在真實函數中是否也滿足實驗設定的 目標,或許非最佳,但田口方法的精神也在說明品質是需要持續改善的涵義,只 要有改善,即符合田口實驗的目標。同樣地,將此精神套用在聯合分析中,我們 必須進行確認實驗,以確認此一最適組合的最佳性,但真實情況往往不如模式所 預期,因此,我們進一步探討確認實驗結果不符的原因,可能包括下列幾項。 (1)可加性極差,以及所獲取之控制因素有著極強烈的交互作用存在,甚至品 質特性與因子間即具有交互作用,如同上述 4.所討論。 (2)最佳條件所選取之控制因素仍不足,可能遺漏了其他極顯著的控制因素。 因此,可能須再從模式探討中,更深入地探討與判斷影響因子的範圍,另尋找其 他具有較佳可加性的代用特性。品管手法中的魚骨圖即是在幫助研究者週延地判 斷影響因子之一種技術。 (3)因素水準距離太小,無法測得因素水準改變所造成的效果。例如,高價精 品的價格因素,9900 元與 9500 元的水準設定就可能不會有顯著效果了。

參考文獻

李輝煌,2000,「田口方法:品質設計的原理與實務」,台北:高立圖書。 黃俊英,2000,「多變量分析」,第七版,台北:中國經濟企業研究所。 鄭士蘋、高惟馨、謝文雀與胡同來,2005,「行動電話服務業服務品質、產品價格與轉換成 本對顧客轉換意願影響之研究」,台北科技大學學報,第 37 之 2 期,

Addelman, S. 1962. Orthogonal main-effect plans for asymmetrical factorial experiments. Technometrics, 4: 21- 46.

(17)

environment cues on perceived merchandise value and patronage intentions. Journal of

Marketing, 66(2): 120-141.

Darian, J. C., Tucci, L. A., & Wiman, A. R. 2001. Perceived salesperson service attributes and retail patronage intentions. International Journal of Retail & Distribution Management, 29(5): 205-213.

Evans, K. R., Christiansen, T., & Gill, J. D. 1996. The impact of social influence and role expectations on shopping center patronage intentions. Academy of Marketing Science, 24(3): 208-218.

Giancristofaro, R. A. 2003. A new conjoint analysis procedure with application to marketing research. Communications in Statistics Theory and Methods, 32(11): 2271- 2283.

Green, P. E. 1974. On the design of choice experiments involving multifactor alternatives. Journal of Consumer Research, 1: 61-68.

Green, P. E. 1984. Hybrid models for conjoint analysis: an expository review. Journal of Marketing Research, 21(May): 155-159.

Green, P. E., Helsen, K., & Shandler, B. 1988. Conjoint analysis validity under alternative profile presentations. Journal of Consumer Research, 15: 392-397.

Green, P. E., Krieger, A. M. & Wind, Y. 2001. Thirty years of Conjoint Analysis: reflections and prospects. Interfaces, 31(3): S56- S73.

Green, P. E., & Srinivasan, V. 1978. Conjoint analysis in consumer research: Issues and outlook. Journal of Consumer Research, 5: 103-122.

Green, P. E., & Srinivasan, V. 1990. Conjoint analysis in marketing: New developments with implications for research and practice. Journal of Marketing, October: 3-19.

Grissom, M.D., Belegundu, A.D., Rangaswamy, A., & Koopmann, G.H. 2006. Conjoint- analysis-based multiattribute optimization: application in acoustical design. Structural and Multidisciplinary Optimization, 31: 8-16.

Gronroos, C. 1990. Innovative marketing strategies and organization structures for service firms. Challenges for Senior Management, 433-448.

Kuhfeld, W. F., Tobias, R. D., & Garratt, M. 1994. Efficient experimental design with marketing research applications. Journal of Marketing Research, 31: 545-557.

Marshall, P., & Bradlow, E. T. 2002. A unified approach to conjoint analysis models. Journal of the American Statistical Association, 97(459): 674-682.

McCullough, D. 2002. A user’s guide to conjoint analysis. Marketing Research, Summer: 19-23.

Moore, W. L. and Holbrook, M. B. 1990. Conjoint analysis on objects with environmentally correlated attributes: the questionable importance of representative design. Journal of Consumer Research, 16, 490-497.

Mullet, G. M., & Karson, M. J. 1986. Percentiles of LINMAP conjoint indices of fit for various orthogonal arrays: A simulation study. Journal of Marketing Research, 23:

(18)

286-290.

Oppewal, H., Louviere, J. J., & Timmermans, H. J. P. 1994. Modeling hierarchical conjoint processes with integrated choice experiments. Journal of Marketing Research, 31: 92-105.

Peace, G. S. 1993. Tagichi methods: A hands-on approach. Reading: Addison-Wesley Publishing.

Srinivasan, V., & Shocker, A. D. 1973. Linear programming techniques for multidimensional analysis of preference, Psychometrika, 38(3): 337-369.

Toubia, O., Hauser, J. R. and Simester, D. I. 2004. Polyhedral methods for adaptive choice-based conjoint analysis. Journal of marketing research, XLI(1), 116-131.

Wathne, K.H., Biong, H., & Heide, J.B. 2001. Choice of supplier in embedded markets: relationship and marketing program effects. Journal of marketing, 65(April): 54-69. Wyner, G. A. 1992. Uses and limitations of conjoint analysis-Part I. Marketing Research, June:

42-44.

計畫成果自評

聯合分析為行銷上常用來進行產品偏好與屬性知覺分析的研究方法,傳統的 聯合分析透過整體輪廓法進行偏好的排序時,往往考量受測者對於個人資訊處理 能力的限制,採用部分因子實驗設計,然而大多數研究多只探討因子主效果,卻 忽略交互作用與交絡現象對實驗可能造成的影響,甚至幾乎沒有相關研究對於整 體輪廓法的聯合分析所得出的最適結果再加以驗證,整個研究程序與結果衍生相 當多可討論的議題。本研究導入田口方法的精神與步驟,針對因子效果、交互作 用、交絡性、模式適切性加以討論,並針對確認實驗提出模擬實驗的方式,以測 試可加性模式、交互作用影響的三種情況。此一「田口式聯合分析」所討論的許 多議題,將能對以往聯合分析研究中的諸多統計與品管方面的偏誤與忽略點,提 出足以繼續深入探討的方向,並作為實證研究的方法論之參考。

參考文獻

相關文件

實務上在應用 SPSS 軟體 run 完主 成分分析後,應該進一步進行因素 轉軸,在社會科學研究中,varimax 法為最常使用的,varimax

• 田口方法 (Taguchi method) 的意義為利用損 失函數的概念評估品質,採用實驗設計的 方法使產品不易受到不想要或無法控制因 子

分析 分析 分析(Analysis) 分析 分析 組織 組織 組織 組織/重整 重整 重整 重整 綜合.

收集 整合 分析

相關分析 (correlation analysis) 是分析變異數間關係的

本章將對 WDPA 演算法進行實驗與結果分析,藉由改變實驗的支持度或資料 量來驗證我們所提出演算法的效率。實驗資料是以 IBM synthetic data generator

Kaiser 提出 MSA(Measure of Sampling Adequacy,資料做因 素分析適合性指標),雖然 MSA 的大小沒有統計上的判斷臨 界點,但實證經驗,當 MSA > 0.8 表示此組資料作因素分析

在軟體的使用方面,使用 Simulink 來進行。Simulink 是一種分析與模擬動態