Anchored MaxDiff ist ein einfaches, aber effektives Modell, um eine MaxDiff-Übung von einem relativen Modell (bei dem der Nutzen einer Option relativ zu den anderen bewertet wird) in ein absolutes Modell umzuwandeln. Anchored MaxDiff-Experimente ergänzen herkömmliche Max-Diff-Fragen um zusätzliche Fragen, die die absolute Bedeutung der Attribute ermitteln sollen.
Bei einem traditionellen MaxDiff-Experiment wird die relative Bedeutung der Attribute ermittelt, während ein Anchored MaxDiff-Experiment Rückschlüsse darauf zulässt, ob bestimmte Attribute tatsächlich wichtig oder überhaupt nicht wichtig sind.
Es kann sein, dass Merkmal A doppelt so wichtig ist wie Merkmal B, was wir durch MaxDiff herausfinden könnten. Es kann aber auch sein, dass weder A noch B besonders wichtig sind. Dies würden wir mit dem herkömmlichen MaxDiff-Verfahren nicht herausfinden. Mit der Verankerung ermöglichen es Forscher, eine zusätzliche "Verankerungs"-Frage hinzuzufügen, um festzustellen, ob einige der Merkmale grundsätzlich wichtig sind.
Das "Binary Direct"-Verankerung Modell ist sowohl für den Forscher als auch für den Benutzer das einfachste und bequemste Modell.
Bei diesem Modell werden den Befragten alle verfügbaren Auswahlmöglichkeiten gezeigt, und sie werden nach ihren "Must-Haves" (unverzichtbaren Merkmalen) gefragt. Dadurch können die Befragten eine grundlegende Linie zwischen den "Must-Haves" und den "nice-to-have" (wünschenswerten Merkmalen) ziehen, wodurch die binäre Verankerung entsteht.
Beim "Dual Response"-Modell werden die Befragten aufgefordert, einige, alle oder keine der Optionen zu identifizieren, indem sie eine einfache Frage mit einer Einzel Antwort wählen.
Die Verankerung ist standardmäßig in Ihrer QuestionPro-Umfrage deaktiviert. Sie können zur MaxDiff-Frage gehen und den Schalter aktivieren, um die Verankerung in Ihrer MaxDiff-Umfrage zu ermöglichen.
Wenn die Verankerung aktiviert ist, enthält die Rohdaten Ausgabe je nach verwendetem Veränderungsmodell (Binary Direkt oder Dual Response) die Ergebnisse dieser Frage in einem für den Forscher leicht verständlichen Modell.