Analyse Conjointe – Profils

Un profil conjoint est un ensemble d'attributs avec différents niveaux qui sont affichés pour la sélection. Les répondants verraient un ensemble de produits, de prototypes, de maquettes ou d'images créés à partir d'une combinaison de niveaux de tout ou partie des attributs constitutifs et seraient invités à choisir parmi les produits qui leur sont présentés. Chaque exemple est suffisamment similaire pour que les consommateurs les voient comme des substituts proches, mais suffisamment différents pour que les répondants puissent clairement déterminer une préférence. Chaque exemple est composé d'une combinaison unique de caractéristiques du produit.

Pour afficher les profils détaillés :

Aller à : Login » Surveys » Reports » Choice Modelling » Conjoint Analysis » Profiles

Par défaut, les résultats affichés excluront les paires interdites, le cas échéant, sélectionnées par les utilisateurs au début.

Le meilleur profil est toujours affiché à gauche et le pire profil à droite. Entre les deux, vous pouvez sélectionner un profil personnalisé pour voir comment il se compare au meilleur et au pire profil. Si une paire est sélectionnée dans une paire interdite, elle ne sera pas affichée dans le meilleur, le pire ou le profil personnalisé. Si l'utilisateur souhaite toujours voir le paires interdites, ils peuvent activer l'option y compris les paires interdites fournies.

Pour le profil sélectionné, vous pouvez voir la différence en points de pourcentage entre le meilleur profil et le profil sélectionné en rouge.

La différence en points de pourcentage entre le pire profil et le profil sélectionné s'affiche en vert.

Vous pouvez également limiter/affiner les profils en sélectionnant des niveaux spécifiques pour les attributs.

L'attribut et le niveau avec la valeur totale de la valeur la plus élevée seront sélectionnés comme meilleur profil et celui avec la valeur totale la plus basse sera sélectionné comme le pire profil.

Calculating Part-Worths Values

Nous utilisons l'algorithme suivant pour calculer les valeurs partielles conjointes CBC :

Notation

Soit R répondants, avec des individus r = 1 ... R

Laissez chaque répondant voir T tâches, avec t = 1 ... T

Soit chaque tâche t avoir C configurations (ou concepts), avec c = 1 ... C (C dans notre cas vaut généralement 3 ou 4)

Si nous avons A attributs, a = 1 à A, chaque attribut ayant La niveaux, l = 1 à La, alors la valeur partielle pour un attribut/niveau particulier est w'(a,l). C'est ce (tableau irrégulier) de valeurs de pièces que nous résolvons dans cet exercice.

Nous pouvons simplifier cela en un tableau unidimensionnel w(s), où les éléments sont :{w'(1,1), w'(1,2) ... w'(1,L1), w'( 2,1) ... w'(A,LA)} avec w ayant S éléments.

Une configuration spécifique x peut être représentée sous la forme d'un tableau unidimensionnel x(s), où x(s)=1 si le niveau/attribut spécifique est présent, et 0 sinon.

Soit Xrtc la configuration spécifique de la cème configuration dans la tème tâche pour le rème répondant. Ainsi, le plan d'expérience est représenté par la matrice à quatre dimensions X de taille RxTxCxS

Si le répondant r choisit la configuration c dans la tâche t alors soit Yrtc=1 ; sinon 0.

Utility Of A Specific Configuration

L'utilitaire Ux d'une configuration spécifique est la somme des valeurs partielles pour ces attributs/niveaux présents dans la configuration, c'est-à-dire qu'il s'agit du produit scalaire xw

The Multinomial Logit Model

Pour un choix simple entre deux configurations, avec les utilités U1 et U2, le modèle MNL prédit que la configuration 1 sera choisie

EXP(U1)/(EXP(U1) + EXP(U2)) du temps (un nombre compris entre 0 et 1).

Pour un choix entre N configurations, la configuration 1 sera choisie

EXP(U1)/(EXP(U1) + EXP(U2) + ... + EXP(UN)) du temps.

Modeled Choice Probability

Soit la probabilité de choix (en utilisant le modèle MNL) de choisir la cème configuration dans la tème tâche pour le rème répondant :

Prtc=EXP(xrtc.w)/SOMME(EXP(xrt1.w), EXP(xrt2.w), ... , EXP(xrtC.w))

Log-likelihood Measure

La mesure de log-vraisemblance LL est calculée comme suit :

Prtc est une fonction du vecteur de valeur partielle w, qui est l'ensemble des valeurs partielles que nous résolvons.

Solving For Part-worths Using Maximum Likelihood

Nous résolvons le vecteur part-worth en trouvant le vecteur w qui donne la valeur maximale pour LL. Notez que nous résolvons pour les variables S.

Il s'agit d'un problème de maximisation continue non linéaire multidimensionnel, et nécessite une bibliothèque de solveurs standard. Nous utilisons l'algorithme Nelder-Mead Simplex.

La fonction Log-Likelihood doit être implémentée comme une fonction LL(w, Y, X), puis optimisée pour trouver le vecteur w qui nous donne un maximum. Les réponses Y et le plan X sont donnés et constants pour une optimisation spécifique. Les valeurs initiales de w peuvent être définies à l'origine 0.

Les valeurs partielles finales w sont remises à l'échelle de sorte que les valeurs partielles de tout attribut aient une moyenne de zéro, simplement en soustrayant la moyenne des valeurs partielles pour tous les niveaux de chaque attribut.