联合分析(Conjoint)

所属分类：市场研究

这个方法是做什么的

把一个产品拆成若干属性（比如品牌、价格档次、外观颜色），让受访者对整体的产品组合打偏好分，再反推每个属性的每个水平对总偏好贡献了多少。它回答的是取舍问题：消费者说什么都想要，但真要在“便宜”和“名牌”之间选，他们实际为哪一项让步。本模块做的是评分式（rating-based）联合分析——把各属性做哑变量编码，以偏好评分为因变量跑 OLS，回归系数就是各水平的“部分效用”。

除了模型整体的 F 检验，报告还给三类东西。一是逐水平的部分效用 β、标准误、95%CI 与 t 检验（同属性内有一个水平被固定为参照、效用记 0）。二是属性层级的判断：相对重要度（= 该属性部分效用极差 ÷ 所有属性极差之和 × 100%，各属性之和恒为 100%）、偏 F 检验、偏 η² 与 ω²，以及同属性内各水平经 Bonferroni 校正的两两对比。三是模型层面的 R²、调整 R²、Cohen's f²，和把各属性最优水平拼起来的“理想产品配置”及其预测偏好。卡① 另外逐属性做水平频数的均衡性检验、逐哑变量给 VIF，并做残差的正态性、同方差与独立性诊断。

需要准备什么数据

• 放入[定类]产品属性：至少 1 个
• 放入[定量]偏好评分/排名：不限

数据要求

• 数据表至少 20 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。
• 「放入[定类]产品属性」的类别数需在 2~10 之间。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 新品定义阶段：品牌、价格、包装、功能几个维度里，哪一个最左右选择
• 定价决策的前置工作：把价格当作一个属性，看它相对其它属性有多重要
• 产品线取舍：比较不同配置组合的预测偏好，挑出值得做的那几款
• 已按正交（析因）设计做成产品卡片、收回评分之后的分析

前提有几条硬的：每个属性至少 2 个水平（单水平属性无法估计部分效用），每属性 2~10 个水平；偏好评分须为定量、数值越大越受偏好；有效样本量必须大于待估参数个数，即 1 + Σ(各属性水平数 − 1)，否则模型不可估。属性水平组合最好来自正交设计，否则哑变量之间共线会抬高 VIF、让部分效用变得不稳定——卡① 逐列给出 VIF 就是让你核对这一点，设计没做好时应回到「正交设计」或「全因子设计」重新生成组合。

什么时候不要用它

• 收上来的是“在几个候选产品里选了哪一个”这种 0/1 选择数据，不是评分：本模块的 OLS 需要定量偏好评分。只收了“最重要/最不重要”两端选择的，用「MaxDiff最大差异分析」；就是要对单一二分类选择建模的，用「逻辑回归」。
• 你问的是“某个功能该不该做、做了是加分还是保底”：联合分析不区分必备与惊喜，这类需求属性归类要用「Kano模型」；若问的是某个属性“是不是刚刚好”，用「惩罚分析(JAR)」。
• 只想给一串卖点排个重要度序，并不打算设计属性水平的取舍：用「MaxDiff最大差异分析」；手上已经是专家打分矩阵、要的是客观权重，用「权重分析(熵权法)」或「熵值法」。
• 你关心的只是价格：联合分析里的价格只能取你设计的那几档，且与其它属性绑在一起。要找收益峰值价用「价格断裂点(Gabor-Granger)」，要找心理可接受价格带用「价格敏感度PSM(Van Westendorp)」。
• 属性之间存在强交互（高价只在名牌下才可接受）：本模块是可加主效应模型，不含交互项。要把交互放进模型，用「线性回归 (最小二乘法)」自行构造交互项，或用「响应面分析(RSM)」处理连续属性的曲面与交互。

容易误读的地方

• 相对重要度是被你的水平跨度定出来的，不是市场给的。 它等于该属性部分效用的极差占所有属性极差之和的比例。价格档次设成 99/199/299 和设成 99/999，算出来的价格重要度天差地别——跨度设得越宽，重要度越高。所以这个百分比只能在同一份问卷内部横向比较，拿去和别人的研究比、或和上一版跨度不同的问卷比，都是无效的。卡⑤ 的研究局限把这条写在明面上。
• 部分效用的绝对值没有意义，只有同属性内的差值有意义。 每个属性都有一个水平被固定为参照、效用记 0，换一个参照水平，该属性各水平的效用会整体平移。所以“品牌B 的效用是 −0.55”单独拿出来说毫无信息，它只是相对品牌A 而言。跨属性更不能直接比部分效用大小——属性之间只能靠相对重要度与偏 F 来比，而这两个量都在卡④：那张卡的结论文案写明“相对重要度只回答该属性能带来多大偏好波动，偏 F 与 p 值回答这个波动是否超出随机误差，两者需一并解读”。卡② 的四条文案只讲整体 F、R²、截距含义与参照水平平移，不涉及跨属性比较，别在那里找。
• “理想产品配置”是模型的算术上限，不是可上市的产品。 它把各属性部分效用最高的水平机械拼在一起，价格几乎必然选到最低档——消费者当然偏好便宜。这个组合不含成本、产能与竞品约束，直接拿去做决策就会得到“最便宜最好”这种废话。正确用法是把它的预测偏好当作偏好上界，再在毛利可行的组合里比预测值。
• R² 偏低常常不是“消费者没有偏好”，而是偏好结构不可加。 卡① 的结论文案说得很直白：联合分析的核心前提是总偏好等于各属性部分效用之和；存在强属性交互时，可加模型会低估拟合优度。同理，卡① 若报出某属性“各水平频数显著不均衡”，那是设计不平衡，稀有水平的部分效用标准误会明显偏大，此时读它的显著性要格外小心，而不是当成一个可以忽略的提示。
• 评分式联合分析拿到的是陈述性偏好，样本代表性比样本量更要命。 受访者对着描述卡打分时不用真掏钱，价格的负效用会被系统性低估，所以哪怕 R² 很漂亮，模型解释的也只是“这批人的打分”，不是销量。更麻烦的是抽样：本模块对样本照单全收，没有任何机制能纠正代表性偏差——用同事、自家社群这类便利样本跑出来的重要度排序，只代表这个圈子。把它写成“市场认为价格最重要”，是这一族方法最常见的过度解读。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：部分效用(Part-Worth)估计与模型整体检验
3. 输出结果三：可视化（相对重要度与部分效用）
4. 输出结果四：效应量与事后多重比较
5. 输出结果五：结论与学术表述