摘要
要決定choice-based conjoint實驗和效果有不同的方法可以做到，但沒有一個方法可以適用於所有情況。這篇論文描述不同設計形式(full profile、partial profile)和不同方法(manual, computer optimization, computer randomization)來進行choice-based conjoint的設計。然後利用模擬和人工的資料集，以統計方法來評估不同設計方法的效果。
背景
傳統聯合分析(conjoint analysis)，實驗是以屬性、水準(稱為profile)來呈現予回應者(respondent)，然後請他給予評估(評比rating或排名ranking)。在多元迴歸分析(multiple regression analysis)下，這些評估成為依變數(dependent variable)來預測實驗設計變數。
圖1
1983年，Louviere和Woodworth擴展聯合分析，想法是:選擇的評量方法和多項式邏輯分析(multinomial logit analysis)。在選擇的世界，回應者在一系列的profile裡選擇，然後這些選擇經由多項式邏輯分析來找到作為實驗設計變數的函數。
圖2
設計效率是另一研究議題，因為多項式邏輯不是一個簡單的方法。
實驗設計的特性Characterizing Experimental Designs
刺激形式Stimulus Format
choice-based實驗，刺激可以是full profile (FP)或是partial profile (PP)。FP實驗是每個產品profile從每個屬性裡呈現一個水準。PP實驗只有在屬性裡挑選幾個水準出來呈現。
圖3
產生choice-based實驗
choice模式實驗設計的三個主要類別:a.手工(manual、b.電腦最佳化(computer optimized)、c.電腦隨機化(computer randomized)。
a.手工(manual)
創造full profile設計一開始是採用傳統部分因子設計(fractional factorial design)。考慮一個4個屬性，每個屬性有3個水準的研究，一般寫成是一個3^4實驗。這表示可能的profile結果，所以會有3^4=81個profile，表示為完全因子設計(full pactorial design)。下圖呈現一個對於3^4實驗執行的9次的實驗設計，在傳統full profile評比或排名會被轉換成9個profile。在這個設計，每行呈現的是每個屬性擁有的3種水準，而每列呈現的是單一的profile。
圖4
傳統部分因子設計被設計來產生一系列的profile，假如他們被用來產生一系列的選擇集合所以它們需要被採用。原始方法不再廣泛使用但是部分因子設計有3種適應。
最簡單的稱為shifting:
1.產生9個run的實驗設計，這些run定義了在每次9次選擇集合的第一個profile。
2.實驗設計增加更多的行:下一行(第5行)是第一行的轉移，所以第1行的1變成第5行的2，2變成3，3變成1。
3.第5-8行變成9個選擇集合的第2個profile。
4.重覆步驟2，轉移行5-8的值，產生新的9-12行，使之變成9個選擇集合的第3個profile。
5.用prose來取代水準的數字，然後你會有一個shifted choice-based conjoint實驗設計。
圖5
mix and match方法:
1.使用4行來產生9個profile。將這些置放於柱A。
2.將步驟1的那4行，3改成1，1改成3，所以這新的9個profile放於柱B。
3.重覆步驟2，產生新的9個profile，置於柱C。
4.各自將這柱A、B、C洗牌。
5.從每個柱裡選出一個profile，而這些選出來的就變成選擇集合1。
6.重覆，取出不放回，直到所有profile都被用完，而9個選擇集合也產生好。
7.一個免費物(freebie):你可能有一個集合撇開屬性"品牌"。在步驟4你可以對在柱A"品牌a"的每個profile給予標籤，然後對柱B的"品牌b"、柱C的"品牌c"一一給予標籤。
在使用部分因子設計的一個非常一般和有力方法稱為L^MN策略(Louviere 1988)。若我們有N=3個profile，M=4個屬性，L=3個水準。這個方法需要一個部分因子設計是L水準有N×M行變數。如此實驗最小設計有27列。
L^MN設計只要一個步驟，因為所有3個profile直接來自每列的部分因子設計:前4行在profile1變成4個屬性，第5-8行描述profile2，第9-12行描述profile3。不用轉移也不用mix and match。
c.隨機設計(randomized designs)
CBC允計使用者去選擇設計產生的四種方法的其中之一方法:
1.在完全列舉(complete enumeration)，profile幾乎是直交的(orthogonal)，屬性間任何雙向水準是平衡的。在選擇集合裡，屬性水準是完全一樣的機率很低，這個想法類似shifting策略。
2.在捷徑法(shortcut)，每個回應者的profile是使用先前那個回應來建構的。每個在屬性間單向水準是平衡的。
3.隨機法(random)，將可能的profile裡抽取出來置放於選擇集裡，重複可能會發生，雖然沒有兩個profile被允許在一個選擇集合裡出現。
4.平衡重複法(balanced overlap)，是完全列舉和隨機的折衷辦法。
上述詳細內容可以去Sawtooth Software 1999的文件。
b.電腦最佳化(computer optimization)
SPSS或SAS都有這個功能。
效果的型態
1.Generic, plain vanilla, main effects
2.Interactions
3.Alternative specific effects
4.Cross-effects
設計策略的比較
圖6
水準禁止和設計效率
不要禁止屬性或水準的出現，不然會讓效率降低。然而，在真實世界，回應者有偏好。
[cont.]
留言列表
