Соместнаяпространственная конфигурация марок автомобилей и предпочтений потребителей 1 страница

-2,0-1,5 -1,0 -0,5 0,5 1,0 1,5 2,0

Рис, 21.5. Использование атрибутивных векторов для обозна-

чения осей координат

Оценка надежности и достоверности

Маркетологу необходимо оценить надежность и достоверность решений многомерного

шкалирования. Для этого предлагаются следующие действия.

• Рассчитать коэффициент соответствия или R2 — квадрат коэффициента корреляции,

указывающий на долю дисперсии оптимально шкалированных данных, которая может

быть учтена методом многомерного шкалирования. Таким образом, этот коэффициент

показывает, насколько хорошо модель многомерного шкалирования соответствует ис-

ходным данным. Несмотря на то, что желательно иметь высокие значения R2, допусти-

мыми считаются значения 0,60 и выше.

• Значения стресса— также показатели качества решений ММШ. R2 представляет собой

меру соответствия модели исходным данным, а стресс — меру несоответствия модели

или долю дисперсии оптимально шкалированных данных, которую не учитывает мо-

дель ММШ. Значения стресса варьируют в зависимости от метода ММШ и анализи-

руемых данных. Для значений стресса, вычисляемых по стресс-формуле Краскела, да-

ются следующие рекомендации [8].

Стресс (%) Критерий соответствия модели

20 Плохое

10 Удовлетворигельное

5 Хорошее

2,5 Отличное

О Превосходное (полное)

• Если анализ проводят на агрегатном уровне, то исходные данные можно разбить на две

или больше частей. Процедуру ММШ следует выполнить отдельно для каждой части, а

затем результаты сравнить.

786 Часть III. Сбор, подготовка и анализ данных

• Некоторые из объектов можно выборочно исключить из исходных данных и решения

принимать по оставшимся объектам.

• К исходным данным можно добавить случайный ошибочный член. Полученные в ре-

зультате данные подвергают ММШ и решения сравнивают.

• Исходные данные можно собрать в разное время и сравнить проверочные тесты между

собой.

Для оценки достоверности ММШ существует ряд формальных процедур [9]. В нашем при-

мере значение стресса, равное 0,095, указывает на удовлетворительное соответствие модели ис-

ходным данным. Одна торговая марка, Dentagard, отличается от других. Существенно ли изме-

нит исключение Dentagard из набора стимулов относительную конфигурацию других торговых

марок на пространственной карте? Пространственная карта, полученная после удаления из ис-

ходных данных Dentgard, показана на рис. 21.6.

1.0

0,5

-05

1,0

Close-Up я

Macleans

•• Uitrabrtte

Pepsodent

Aqua-Fresh

Colgate

Crest

-го

Рис. 21.6. Оценка стабильности расположения торговых марок

за счет удаления одной торговой марки

Наблюдается некоторое изменение относительного расположения торговых марок, особен-

но Gleem и Macleans. Поскольку изменения небольшие, это свидетельствует об удовлетвори-

тельной стабильности расположения торговых марок на пространственной карте [10].

ДОПУЩЕНИЯ И ОГРАНИЧЕНИЯ ММШ

Укажем на некоторые допущения и ограничения многомерного шкалирования. При

проведении ММШ предполагается, что объект А похож на объект В так же, как объект В —

на объект А. Существует несколько примеров, в которых это допущение нарушается. На-

пример, Мексику воспринимают как более похожую на США, чем США— на Мексику.

Многомерное шкалирование допускает, что расстояние (сходство) между двумя объектами

представляет собой некоторую функцию от их частичных сходств по каждой из несколь-

ких воспринимаемых характеристик.

После получения пространственной карты принимают, что расстояния между точками из-

мерены в относительной шкале, а многомерные оси координат на карте выражены в интер-

Глава 21. Многомерное шкалирование и совместный анализ 787

вальной шкапе. Ограничение ММШ состоит в том, что интерпретировать размерность, связан-

ную с физическими изменениями в торговых марках, к изменениям на пространственной кар-

те достаточно сложно. Эти ограничения справедливы и для данных о восприятиях.

ШКАЛИРОВАНИЕ ДАННЫХ О ПРЕДПОЧТЕНИЯХ

Анализ данных о предпочтениях может быть внешним или внутренним. При проведении

внутреннего анализа предпочтений (internal analysis of preferences) пространственную карту, на

которой представлены точки или векторы, соответствующие как торговым маркам (объектам),

так и респондентам, строят исключительно на основе данных о предпочтениях. Таким образом,

собрав данные о предпочтениях респондентов, как марки, так и респондентов можно предста-

вить на одной и той же пространственной карте.

Внутренний анализ предпочтений (internal analysis of preferences}

Метод такой компоновки пространственной карты, что она представляет точки или векторы,

соответствующие и торговым маркам, и респондентам. Пространственную карту получают

исключительно из данных о предпочтениях.

При внешнем анализе предпочтений (external analysis of preferences) идеальные точки или

векторы, в основе которых лежат данные о предпочтениях, наносят на пространственную карту,

полученную из данных о восприятии (т.е. сходства). Чтобы выполнить внешний анализ, необ-

ходимо получить данные и восприятий, и предпочтений. Представление и марок, и респон-

дентов в одном и том же пространстве с использованием внутреннего и внешнего анализа на-

зывается разверткой.

Внешний анализ предпочтений (external analysis of preferences)

Метод такой компоновки пространственной карты, что в результате она представляет

идеальные точки или векторы, нанесенные на карту, полученную на основе данных о

восприятии.

Для большинства ситуаций лучше выполнять внешний анализ [11]. Во внутреннем анализе

различия в восприятиях переплетены с различиями в предпочтениях. Может быть такая ситуа-

ция, что характер и относительная важность измерений варьируют между пространством дан-

ных о восприятии и пространством данных о предпочтениях. Респонденты могут одинаково

воспринимать две марки (на пространственной карте восприятий они расположены близко од-

на от другого), но четко предпочитать одну марку другим (в пространстве предпочтений эти

марки далеко отстоят одна от другой). Эти ситуации не учитывает внутренний анализ. Кроме

того, методы внутреннего анализа сложны для вычислений [12].

Проиллюстрируем внешний анализ на основе шкалирования предпочтений нашего рес-

пондента в рамках его собственной пространственной карты. Респондет ранжировал торговые

марки зубной пасты в такой поеледонательности (в порядке убывания): Colgate, Crest, Aim,

Aqua-Fresh, Gleem, Pepsodent, Ultra Brite, Macleans, Close-Up и Dentagard. Эти ранги предпоч-

тений наряду с данными пространственной карты (рис. 21.5) использовали в качестве исход-

ной информации для программы шкалирования предпочтений, по результатам работы которой

получили рис. 21.7.

Обратите внимание на расположение идеальной точки. Она находится вблизи Colgate,

Crest, Aim и Aqua-Fresh, четырех наиболее предпочитаемых марок зубной пасты, и вдали от

Close-Up и Dentagard. наименее предпочитаемых марок зубной пасты. Если в этом пространст-

ве расположить новую марку, то се расстояние от идельной точки относительно расстояний

других марок от идеальной точки определяет степень предпочтения для этой торговой марки.

Приведем еще один пример многомерного шкалирования.

788 Часть III. Сбор, подготовка и анализ данных

0,5

0.0

Macleans

Ultrabrite

Gieem

Pepsodent

• Ctose-Up

Dentagard

Aim

i

Crest

• Идеальная точка

Colgate

• Aqua-Fresh

J I

-0,6 -0,4 -0,2 0,0 0,2 0,4

Рис. 21,7. Внешний ана/гиз данных о предпочтениях

ПРИМЕР. Автомобили: на карте места много — располагайся, где пожелаешь

Ниже показана пространственная карта отдельных торговых марок автомобилей, полу-

ченная на основе М М Ш из данных о сходстве.

Спортивность автомобиля

(Высокая)

Porsche «

• Jaguar

Высокая престижность/

Дорогие автомобили

Continental Buick

Mercedes

Toyota Honda Экономичные

модели

Chevrolet

Dodge

• VW

Hyundai

(Низкая)

(данные иллюстративные)

На ней каждая марка автомобиля определяется расстоянием от других марок. Чем ближе

между собой расположены две марки автомобилей (например, Volkswagen и Dodge), тем

больше, по мнению респондентов, они похожи одна на другую. Чем дальше находятся они

Глава 21. Многомерное шкалирование и совместный анализ 789

одна от другой (например, Volkswagen и Mercedes), тем меньше, с точки зрения респонден-

тов, они похожи. Малое расстояние может также указывать на конкуренцию. Например,

Honda сильно конкурирует с Toyota и не конкурирует с Continental или Porsche. Размерность

пространства интерпретируем так: "экономичная/престижная модель" — одна ось коорди-

нат и "спортивная/неспортивная модель" — другая ось координат. Теперь определим поло-

жение каждого автомобиля.

Данные о предпочтениях состояли из обычных рангов торговых марок в соответствии с

предпочтениями потребителей. Идеальные точки респондентов расположены в том же про-

странстве. Каждая идеальная точка представляет местоположение предпочтения конкретно-

го респондента. Таким образом, респондент 1 (обозначенный И) предпочитает спортивные

автомобили: Porsche, Jaguar и Audi. Респондент 2 (обозначенный 12) предпочитает дорогие

автомобили: Continental, Mercedes, Lexus и Cadillac,

Такой анализ можно выполнить на идивидуальном респондентском уровне, и это позво-

лит исследователю разделить рынок на сегменты с похожими идеальными точками, вы-

бранными респондентами. Альтернативно, респондентов можно разделить на кластеры на

основании сходства объектов, с учетом исходных рангов предпочтений и идеальных точек,

установленных для каждого сегмента [13].

До сих пор мы рассматривали только количественные данные, хотя качественные данные

также можно представить на пространственной карте, используя анализ соответствий,

АНАЛИЗ СООТВЕТСТВИЙ

Анализ соответствий (correspondence analysis) — это метод ММШ для шкалирования качест-

венных данных в маркетинговых исследованиях. Исходные данные представляют в форме таб-

лицы сопряженности, показывающей качественную связь между колонками и рядками.

Анализ соответствий (correspondence analysis)

Метод ММШ для шкалирования качественных данных на основе шкалирования рядков и

колонок в исходной таблице сопряженности в соответствующие единицы так, чтобы их

представить графически в том же пространстве с возможно более низкой размерностью.

С помощью анализа соответствий маркетологи представляют числа в рядках и колонках в

таких единицах измерения, чтобы представить объекты графически в пространстве с возможно

более низкой размерностью. Эти пространственные карты позволяют понять следующее: сход-

ства и различия внутри рядков относительно задаваемой колонкой категории; сходства и раз-

личия внутри колонок относительно задаваемой рядком категории; взаимосвязь между рядка-

ми и колонками [14].

Интерпретация результатов анализа соответствий аналогична интерпретации результатов в

анализе главных компонентов (глава 19). Анализ соответствий группирует категории (виды

деятельности, торговые марки или другие объекты), выявленные в таблице сопряженности, так

же как анализ главных компонентов состоит в групировании независимых переменных. Ре-

зультаты интерпретируют с точки зрения близости между рядками и колонками в таблице со-

пряженности. Категории, ближе расположенные одна к другой, считаются более схожи между

собой в структуре подлежащих факторов [15].

Преимущество анализа соответствий по сравнению с другими методами многомерного

шкалирования состоит в том, что он снижает требования к набору данных, налагаемые на

респондентов, потому что достаточно иметь только бинарные или категориальные дан-

ные. Респондентов просто просят проверить, какие из характеристик относятся к каждой

из нескольких торговых марок, Исходные данные представляют собой число ответов "Да"

для каждой марки по каждой из характеристик товара. Затем торговые марки и характери-

стики товара показывают в одном и том же многомерном пространстве. Недостаток ана-

лиза соответствий заключается в том, что расстояние между колонкой и рядком не подда-

790 Часть III. Сбор, подготовка и анализ данных

ется интерпретации. Анализ соответствий является методом анализа экспериментальных

данных, который не подходит для проверки гипотез [16].

Многомерное шкалирование, включая анализ соответствий, — не единственная процедура

для получения карт восприятий. Ранее мы уже обсудили два других метода — дискриминант -

ный анализ (глава 18) и факторный анализ (глава 19), которые также можно использовать для

получения карт восприятий.

ВЗАИМОСВЯЗЬ МЕЖДУ МНОГОМЕРНЫМ

ШКАЛИРОВАНИЕМ, ФАКТОРНЫМ

И ДИСКРИМИНАНТНЫМ АНАЛИЗОМ

Пространственные карты можно также получить с помощью факторного или дискрими-

нантного анализа. При таком подходе каждый респондент оценивает п торговых марок по т ха-

рактеристикам. Выполнив факторный анализ данных, можно вывести для каждого респонден-

та оценку каждого фактора, по одному для каждой торговой марки. Построив график зависи-

мости значения торговой марки от фактора, получим пространственную карту для каждого

респондента. Если требуется построить карту на агрегатном уровне, то можно усреднить (по

всем респондентам) значения фактора для каждой торговой марки для каждого фактора. Оси

координат обозначают, изучив факторные нагрузки, т.е. оценки корреляций между атрибутив-

ными рейтингами и основными факторами [17].

Цель дискриминантного анализа — выбор линейных комбинаций характеристик, которые

наилучшим образом различают торговые марки (объекты). Для создания пространственных

карт с помощью дискриминантного анализа зависимая переменная должна быть оцененной

торговой маркой, а независимые переменные (предикторы) представляют собой рейтинги ха-

рактеристик. Пространственную карту можно получить построением диаграммы дискрими-

нантных показателей для торговых марок. Оси координат можно обозначить, изучив дискри-

минантные веса или взвешенные характеристики, которые образуют дискриминантную функ-

цию или размерность [18].

ОСНОВНЫЕ ПОНЯТИЯ СОВМЕСТНОГО АНАЛИЗА

С помощью совместного анализа (conjoint analysis) маркетологи пытаются определить отно-

сительную важность, которую придают потребители ясно выраженным характеристикам, а

также полезность, которую они связывают с уровнями характеристик [19].

Совместный анализ (conjoint analysis)

Метод, с помощью которого маркетологи пытаются определить относительную важность,

которую придают потребители ясно выраженным характеристикам, а также полезность, ко-

торую они связывают с уровнями характеристик.

Эту информацию маркетологи получают из оценок потребителями торговых марок или

профилей торговых марок, составленных из характеристик товаров и их уровней. Респондентов

знакомят с объектами, которым присущи определенные характеристики и уровни этих харак-

теристик, и просят оценить эти объекты с точки зрения желательности тех или иных характе-

ристик. Маркетологи, используя метод совместного анализа, пытаются присвоить уровням ка-

ждой характеристики определенную ценность. В итоге ценности или полезности, которыми

обладает каждый объект, тесно согласуются с исходными оценками респондентов. Основное

допущение состоит в том, что любой набор объектов, таких как изделия, торговые марки или

магазины, оценивают как пучок характеристик [20].

Глава 21. Многомерное шкалирование и совместный анализ 791

Подобно многомерному шкалированию, совместный анализ опирается на субъективные

оценки респондентов. Однако, если в ММШ объекты представляют собой изделия или торго-

вые марки, в совместном анализе— комбинации уровней характеристик объекта, определяе-

мые исследователем. Цель ММШ — разработать пространственную карту, изображающую объ-

екты в многомерном пространстве восприятий или предпочтений. С помощью совместного

анализа маркетологи стремятся определить функции частной ценности или полезности, опи-

сывающие полезность, которую потребители присваивают уровням каждой характеристики.

Два метода взаимно дополняют один другого [21].

Совместный анализ используют в маркетинге для различных целей.

• Определение относительной важности характеристик в процессе выбора товара потреби-

телем. Типичный результат совместного анализа представляет собой веса относительной

важности для всех характеристик, используемых для описания объектов. Веса относи-

тельной важности показывают, какие из характеристик больше всего влияют на выбор

потребителя.

• Определение рыночной доли торговых марок, которые различаются уровнями своих

характеристик. Значения полезностей, полученные в результате совместного анализа,

можно использовать как исходные данные в модели выбора, чтобы определить долю,

выпадающую на те или иные марки, и, следовательно, долю рынка различных торго-

вых марок.

• Определение структуры свойств наиболее предпочитаемой торговой марки. Свойства

торговой марки могут варьировать с точки зрения уровней характеристик и соответст-

вующих полезностей. Свойства торговой марки, которые приводят к наивысшей полез-

ности, указывают структуру характеристик наиболее предпочитаемой торговой марки.

• Сегментирование рынка, исходя из сходства предпочтений для уровней характери-

стик. Функции частной ценности, полученные для характеристик, можно использо-

вать как основу для кластеризации респондентов в однородные по своим предпочте-

ниям сегменты [22].

Совместный анализ находит применение при изучении потребительских и промышленных

товаров, финансовых и других услуг. Более того, эти применения совместного анализа прости-

раются на всю сферу маркетинга. Б недавнем обзоре совместного анализа сообщается о приме-

нении совместного анализа для определения идеи нового товара, конкурентного анализа, це-

нообразования, сегментации рынка, рекламы [23].

СТАТИСТИКИ И ТЕРМИНЫ, СВЯЗАННЫЕ

С СОВМЕСТНЫМ АНАЛИЗОМ

С совместным анализом связаны следующие основные статистики и термины.

Функции частной ценности (part-worth functions), или функции полезности. Эти функции

описывают полезность, которую потребители присваивают уровням каждой характеристики.

Веса относительной важности (relative importance weights). Показывают, какие характеристи-

ки больше всего влияют на выбор потребителя.

Атрибутивные уровни, уровни характеристик (attribute levels). Показывают значения харак-

теристик.

Полные профили (full profiles). Полные профили или конкурентные профили торговых ма-

рок, построенные на базе всех характеристик с использованием их уровней,

Парные таблицы (pairwisc tables). Таблицы, в которых респонденты одновременно оценива-

ют по две характеристики до тех пор, пока не оценят все пары характеристик.

Циклические планы (cyclical designs). Планы, используемые для снижения числа попар-

ных сравнений.

792 Часть III. Сбор, подготовка и анализ данных

Планы дробных факторных экспериментов (fractional factorial designs). Планы, используемые

для снижения числа профилей объектов, определяемых в полнопрофильном методе.

Ортогональные таблицы {orthogonal arrays). Специальный класс планов дробных факторных

экспериментов, который позволяет эффективно оценивать все главные эффекты.

Внутренняя достоверность (internal validity). Определяется на основе корреляции предска-

занных оценок проверочных объектов с оценками объектов, данными респондентами.

ВЫПОЛНЕНИЕ СОВМЕСТНОГО АНАЛИЗА

На рис. 21.8 перечислены этапы совместного анализа.

Формулирование проблемы

I

Конструирование объектов

Прин

Выбор метода совместного анализа

" -- •

. Интерпретация результатов -

I

Оценивание надежности и достоверности

Рис. 21.8. Совместный ана/шз

Формулирование проблемы включает идентификацию основных характеристик объекта

и их уровней. Эти характеристики и их уровни используют для конструирования объектов в

задаче совместного оценивания. Респонденты оценивают или ранжируют объекты, исполь-

зуя подходящую шкалу, и полученные данные анализируют. Результаты интерпретируют и

оценивают их надежность и достоверность. Теперь опишем каждый из этапов совместного

анализа детально.

Формулирование проблемы

При формулировании проблемы совместного анализа исследователь должен определить ха-

рактеристики и уровни характеристик (атрибутивные уровни), используемые в конструирова-

нии объектов. Атрибутивный уровень указывает на значение данной характеристики. С теоре-

тической точки зрения выбранные характеристики должны быть явно выраженными, вносить

основной вклад в предпочтения и выбор потребителей. Например, при выборе марки автомо-

биля в характеристики следует включить цену автомобиля, расход бензина на определенное

количество километров пути, объем салона автомобиля и т.п. С точки зрения менеджмента, ха-

рактеристики и их уровни должны быть такими, чтобы их можно было контролировать и ими

управлять. Доклад менеджеру о том, что потребители предпочитают спортивные автомобили

обычным, выглядит бесполезно до тех пор. пока спортивный и обычный стиль автомобилей не

выразят через характеристики, которыми менеджер может управлять. Маркетологи могут опре-

делить интересующие их характеристики в ходе встреч с менеджментом и отраслевыми экспер-

Глава 21, Многомерное шкалирование и совместный анализ 793

тами, анализа вторичных данных, качественного исследования и предварительного сбора ин-

формации. Как правило, исследование с применением совместного анализа включает шесть

или семь характеристик объекта.

После определения характеристик следует выбрать подходящие уровни. Их число опре-

деляет число оцениваемых параметров, а также влияет на число объектов, которые будут

оцениваться респондентами. Чтобы облегчить задачу, стоящую перед респондентами, и при

этом оценивать параметры с достаточной точностью, желательно ограничить число уровней.

Функции полезности или частной ценности для уровней характеристики могут оказаться

нелинейными. Например, потребитель предпочитает средний по размеру автомобиль ма-

ленькому или большому автомобилю, Аналогично и функция полезности для цены может

носить нелинейный характер. Потеря полезности при переходе от дешевого автомобиля к ав-

томобилю средней цены может быть намного меньше, чем потеря полезности при переходе

от автомобиля средней цены к дорогому. В этих случаях используют, по крайней мере, три

уровня. Для некоторых характеристик естественно наличие двух уровней — автомобиль мо-

жет иметь или не иметь люк в крыше,

Выбранные атрибутивные уровни влияют на процесс оценивания потребителями авто-

мобилей. Если цены на автомобиль данной торговой марки составляют 10, 12 и 14 тысяч

долларов, то цена является относительно незначимым фактором. С другой стороны, если це-

на варьирует от 10, 20 и далее до 30 тысяч долларов, то она будет важным фактором. Значит,

исследователь должен учитывать Атрибутивные уровни, превалирующие на рынке, и цели

проводимого исследования. Использование атрибутивных уровней, не отражающих истин-

ную рыночную картину, снизит достоверность оценок, но увеличит точность, с которой бу-

дут оценены параметры. В качестве главного правила стоит запомнить, что выбирать атрибу-

тивные уровни надо так, чтобы их диапазоны были несколько шире, чем диапазоны, преоб-

ладающие на рынке, но не настолько большие, чтобы неблагоприятно воздействовать на

достоверность результатов оценки.

Мы проиллюстрируем методологию совместного анализа на примере оценки студентами

кроссовок. Качественное исследование позволило определить три явно выраженные характери-

стики кроссовок: материал подошвы, материал верха и цену[24]. Для каждой характеристики

определили три уровня, приведенные в табл. 21.2. Эти характеристики и их уровни использо-

вали для создания объектов в совместном анализе.

Таблица 21.2. Характеристики кроссовок и их уровм

Уровень

Характеристика

Подошва

Верх

Цена

Номер

;!

Описание

Резина

Полиуретан

Пластик

Кожа

Парусина

Нейлон

$30,00

$60,00

$90,00

Считается, что если на выбор потребителей сильно влияет дизайн изделия, то следует ис-

пользовать его изображение, так как выбор в значительной степени зависит от проверки реаль-

ных изделий или их фотографий [25].

794 Часть III. Сбор, подготовка и анализ данных

Построение объектов

Существует два широко распространенных подхода к построению объектов в совместном

анализе — попарный подход и метод полного профиля {полнопрофильный метод). В попарном

подходе, также называемом методом двухфакторных оценок, респонденты одновременно оцени-

вают по две характеристики до тех пор, пока не оценят все возможные пары характеристик.

Этот подход показан на рис. 21.9 в контексте примера с кроссовками.

Резина

Подошва

Полиуретан Пластик

Кожа

Парусина

Нейлон

Резина

Подошва

Полиуретан Пластик

S.10

$60

$30

Цена

$60 $90

Кожа

g- Парусина

Нейлон

Рис. 21.9. Попарный подход к сбору данных для совместного

анализа

Для каждой пары кроссовок респонденты оценивали все комбинации уровней обеих харак-

теристик, представленных в матричной форме. В подходе полного профиля, также известного

под названием метод многофакторных оценок, для всех характеристик строили полные профили

Глава 21. Многомерное шкалирование и совместный анализ

торговых марок. Обычно каждый профиль описывают на отдельной индексной карточке. Этот

подход проиллюстрирован в табл. 21.3 также на примере с кроссовками.

Таблица 21.3. Полнопрофильный метод сбора данных для совместного анализа

Пример профиля кроссовок

Подошва Сделана из резины

Верх Сделан из нейлона

Цена (долл.) 30

Необходимо оценивать все возможные комбинации, однако это не так просто. В попарном

подходе можно снизить число попарных сравнений, используя периодический план. Анало-

гично в полнопрофильном методе можно значительно уменьшить число объектов с помощью

дробного факторного эксперимента. Специальный класс факторных экспериментов, называе-

мый ортогональной таблицей, позволяет эффективно оценивать все главные эффекты. Ортого-

нальная таблица допускает измерение всех изучаемых главных эффектов на некоррелирован-

ной основе. Эти планы предполагают, что все взаимодействия пренебрежимо малы. Ортого-

нальные таблицы составляют, исходя из планов полного факторного эксперимента, заменив

выбранные эффекты взаимодействия, которые принимают пренебрежимо малыми, новым

фактором [26]. Обычно получают два набора данных. Набор вычиыения используют для вычис-

ления функций полезности для атрибутивных уровней. Набор проверки достоверности исполь-

зуют для оценки надежности и достоверности.

Преимущество попарного метода в том, что он легче для респондентов: им проще высказать

свое мнение при попарном сравнении характеристик. Однако относительным недостатком это-

го подхода является то, что в нем требуется сделать больше оценок, чем при использовании

полнопрофильного метода. Кроме того, задача оценивания может оказаться нереалистичной,

если одновременно оценивают только две характеристики. Сравнение двух подходов показыва-

ет, что оба метода приводят к сопоставимым функциям полезности, однако полнопрофильный

Дата добавления: 2015-05-09